一种应用于自组织网络管理的群保持方法

为了减少节点的移动给基于分群的自组织网络管理带来的影响,提高节点的可控性,提出了利用节点之间链路有效的概率来定量评估群首的稳定性,并且在群首稳定程度下降时迁移管理服务的群保持方法．仿真研究表明,该方法增大了群的生存时间,减少了群的消失数量,使得自组织网络管理工作更有效、更稳定．     

神经网络模糊聚类方法在故障诊断中的应用

在旋转机械故障诊断研究中,对大量样本的有效分类至关重要。传统的贴近度法计算繁锁,分辨率低,且领带于大量实验测试和经验案例的总结。根据故障诊断中样本数据无须精确要求的特点,可以对样本数据作模糊化处理,进一步采用自组织竞争神经网络对样本进行自动聚类,速度快,准确性好,具有较高的智能特性。实际应用表明,这种模糊神经网络完全满足使用要求。     

一种自适应脊波网络模型

将脊波理论和神经网络相结合,采用具有方向信息的脊波函数作为隐层神经元的激励函数,提出一种自适应脊波网络模型．由于脊波表征高维信息的稳定性和逼近线型奇异性的稀疏性,脊波网络能够以更小的网络规模逼近广泛的多变量函数类型．相对固定的脊波变换它具有更灵活的结构、快速并行的处理速度以及强容错性和鲁棒性．仿真结果也证明了其有效性．     

大柔性变结构系统传输特性的反向传播网络辨识

对大射电望远镜光机电一体化设计中悬索和馈源舱这一大柔性变结构系统的传输特性进行了研究 .由于该系统的结构是动态变化的 ,采用常规方法无法确定其传输特性 ,因此用改进的反向传播算法对其进行了辨识 ,得到了系统的反向传播网络模型 .从测试数据的网络输出结果与理论计算结果的对比可以看出 ,该网络模型能够较好地反映这一系统的输入 /输出特性 .这一结果对大射电望远镜系统的整体建模和馈源舱位置的间接测量都具有意义 ,也为柔性结构系统传输特性的研究提供了一种可资借鉴的方法 .     

一种基于深度神经网络的句法要素识别方法

为改进传统特征方法很难获取中文句子中结构信息的问题,提出一种基于深度神经网络的句法要素识别模型。采用Bi-LSTM网络从原始数据中自动抽取句子中的结构信息和语义信息,利用Attention机制自动计算抽象语义特征的分类权重,通过CRF层对输出标签进行约束,输出最优的标注序列。经过对比验证,该模型能有效识别句子中的句法要素,在标注数据集上F₁达到84.85%。     

主观指标评价的模糊神经网络法

针对当前主观问题评价存在的定性指标数据定量化过程中的合理必难以保障及评以重的确定方法尚待完善的两个问题,提出一种能够综合解决上述两方面问题的模糊神经网络方法,该方法结合了模糊控制器对于主观问题量化的优化及人工神经网络的智能学习特点,在效绩评价的主观指标体系研究中取得了较好的应用效果。     

网络不良信息检索特征模型的研究

针对目前大部分搜索引擎没有结合用户的个性化兴趣模型的缺点,提出一种基于个人兴趣的不良信息模型。模型首先将系统的搜索历史、浏览内容、操作行为等数据存人不良信息模型数据库,然后利用数据挖掘方法对网络监管部门的兴趣领域进行挖掘,形成不良信息模型来为不良信息搜索引擎提供专业化服务。实验结果表明：信息模型结合具体算法有良好的准确度和伸缩性,能够达到准确理解用户搜索意图的目的     

Fusion analysis of MH-Ni batteries characteristics by neural network data fusion method

0　ＩＮＴＲＯＤＵＣＴＩＯＮＡｓａｎｅｗｎｏｎｐｏｌｌｕｔｉｎｇｅｎｅｒｇｙｓｏｕｒｃｅ ,ＭＨ Ｎｉｂａｔｔｅｒｙｈａｓｂｅｅｎｕｓｅｄｍｏｒｅａｎｄｍｏｒｅｗｉｄｅｌｙ .ＴｈｅｄｅｍａｎｄｆｏｒＭＨ Ｎｉｂａｔｔｅｒｙｉｓｒｉｓｉｎｇｒａｐｉｄｌｙｉｎｓｕｃｈｆｉｅｌｄｓａｓｅｌｅｃｔｒｏｎｉｃｅｑｕｉｐｍｅｎｔ,ｉｎｓｔｒｕｍｅｎｔｓ ,ｕｎｌｉｎｅｄｅｌｅｃｔｒｉｃｆａｃｉｌｉｔｉｅｓ ,ｃａｒｓｆｏｒｄｉｓａｂｌｅｄ ,ｅｌｅｃｔｒｉｃｔｏｙｓ ,ｈｏｍｅａｐｐｌｉａｎｃｅｓａｎｄａｒｍｙ ｅｌｅｃ…     

基于链接的无线传感器网络簇中可信模型

通过引入社会网络中链接的概念,提出1种无线传感器网络簇中可信模型,以更有效地检测非正常节点。模型把对节点的信任分成持久信任和即时信任,在即时信任和持久信任的基础上计算每个节点的信誉,利用信誉检测非正常节点。通过实验分析了阀值的取值并将本研究模型与其他模型进行比较。实验结果表明,在检测非正常节点方面,基于链接的簇中可信模型比GTMS(group-based trust management scheme)和RFSN(reputation-based framework for sensor network)更为优秀。     

Hybrid dynamic model of polymer electrolyte membrane fuel cell stack using variable neural network

The polymer electrolyte membrane(PEM) fuel cell has been regarded as a potential alternative power source,and a model is necessary for its design,control and power management.A hybrid dynamic model of PEM fuel cell,which combines the advantages of mechanism model and black-box model,is proposed in this paper.To improve the performance,the static neural network and variable neural network are used to build the black-box model.The static neural network can significantly improve the static performance of the hybrid model,and the variable neural network makes the hybrid dynamic model predict the real PEM fuel cell behavior with required accuracy.Finally,the hybrid dynamic model is validated with a 500 W PEM fuel cell.The static and transient experiment results show that the hybrid dynamic model can predict the behavior of the fuel cell stack accurately and therefore can be effectively utilized in practical application.     

基于PID神经网络的拉深件变压边力控制方法研究

将传统的PID控制器与神经元网络融合,建立PID神经网络。运用VB语言编译了拉深过程中变压边力控制系统的PID神经网络仿真程序,并与传统的PID控制仿真进行了对比。建立了基于PIDNN的变压边力控制系统,并通过锥形件拉深实验,证实了PIDNN控制系统具有精度高,抗干扰能力强,能较准确达到变压边力控制要求等优越性。为后续的变压边力控制系统实验研究与工厂实际应用提供了理论与实践基础。     

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。     

基于神经网络的旋转机械故障诊断系统

应用神经网络方法对旋转机械的故障诊断进行了实用性研究,给出了神经网络的诊断模型,并研制出相应的基于神经网络方法的旋转机械故障诊断系统,实际运行的结果表明,该系统对故障的诊断是有效的．     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

基于模糊神经网络的目标识别

提出了一种用于常规雷达目标识别的模糊神经网络．先将目标回波用树状小波变换进行特征抽取，然后用该网络进行识别．最后，给出了５类空中目标的识别实验结果     

噪声有源控制的模糊神经网络方法

使用Filter-X算法研究有源噪声控制问题，存在需要较高阶次的滤波器和当主噪声路径是非线性时控制效果不佳的缺陷，为此提出了一种基于模糊神经网络的非线性噪声有源自适应控制方法，并给出了一种基于误差梯度下降的学习算法，一个非线性的仿真例子表明，模糊神经网络控制方法对于非线性噪声控制效果明显。     

磨擦系统神经网络模型自学习训练优化方法

建立了45钢／黄铜磨擦副系统的BP神经网络模型,并用三种算法对神经网络进行学习训练,结果表明：L－M算法可使网络收敛快,误差小,整个神经网络的建立使用Matlab神经网络工具箱中的工具函数,使编程工作量大大减少,设计过程简化,使神经网络可为广大的工程设计人员所掌握应用。     

基于神经网络的室内热舒适评判模型

为更加科学地建立室内热舒适度评判体系,以某个体对不同热环境4个室内环境主要影响因素(环境温度、风速、相对湿度、平均辐射温度)的热舒适判断作为教师对神经网络的权值进行修正,以MatLab为开发工具,建立了室内热舒适的BP神经网络评判模型,给出了模型的算法．几种不同环境的验证结果表明,该模型的预测结果与此个体的实际判断高度吻合．     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3．13kg／t,平均相对误差降低5．19％。     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。