结构损伤的神经网络定位研究

利用神经网络技术对结构损伤定位进行了研究，用有限元模态分析技术对悬臂梁有、无损伤的情况分别进行了模拟，得到一系列频率变化数据，将这些数据与损伤位置关系作为δ规则下的ＥＢＰ网络学习样本，网络训练好后，取不同损伤益的频率变化数据输入网络计算，推断损伤位置，发现推断损伤与实际损伤位置非常接近，从而证明了损伤前后的频率变化与损伤位置存在比较确定的映射关系，也说明了ＥＢＰ网络具有很经的自组织，自适应和自学习     

由扫描线与手写文字交点信息构成的神经网络模式识别系统

前言 在应用神经网络方法上过去都采用直接法输入，即将原模式分解成黑白两值的画素，用[0，1]取值，把数据输入神经网络。由于输入的手写文字的大小，位置有差异，必须先对文字进行前处理，把大小和位置规格化，然后把规格化后的文字按位置顺序输入神经网络进行学习和识别，     

神经网络BP算法的研究,实现及改进

给出了目前较流行的一种神经网络学习算法－－神经网络ＢＰ算法的数学证明及计算机实现，并在此基础上提出了几种改进算法。计算机模拟结果表明，改进算法提高了学习速度与精度，应用于工程图形元素识别效果良好。     

动态过程监视的最佳显示方式研究

文中讨论了人机界面的视学工效问题，通过实验评价了用于动态过程监视与控制的三种ＣＲＴ显示方式的工效，并由此得出人类视学系统反应对图形方式更优于对数字方式，图形与数字的复合方式。     

基于BP神经网络的虚拟轴机床的实时误差补偿控制

针对虚拟轴机床位置精度高、钢度大、机械结构简单等特点，提出了基于BP神经网络的实时误差补偿控制策略。应用BP神经网络对虚拟轴机床的运动学反解进行学习，利用训练好的神经网络对虚拟轴机床进行误差补偿；给出三坐标虚拟轴机床误差补偿的仿真结果。表明这种补偿控制方案十分有效，补偿后能较大地减小机床的位置误差。     

BP神经网络在数字识别方面的应用

介绍了一种ＢＰ神经网络数字识别方法，分析了从特征提取、网络模型建立、训练到识别结果的整个过程．由于运用特征提取，加快了网络的训练速度，也使网络更加健壮．通过实验，证明数字识别效果良好．     

传感器信号处理中的两种神经算法的比较

对流行的神经网络算法和无学习率的神经网络算法做了比较.流行的人工神经网络算法在误差反演过程中需要加入学习率,依次减少误差,逐渐逼近正确的拟合多项式,计算精度很高.无学习率的神经网络算法在进行权值调整时不需要加入学习率,减少了计算量,增加运算速度,计算精度也很高.它们可以应用于传感器信号处理中,流行的神经网络算法适用于压力传感器的温度补偿,无学习率的神经网络算法可用于对范德堡函数多项式拟和.     

基于神经网络PID控制的电液位置伺服系统

针对电液位置伺服系统，利用神经元的自学习、自适应特点，将神经网络与PID控制方法相结合，对电液伺服系统在线边学习边控制，实现系统的快速实时控制。仿真研究表明，该电液伺服系统具有令人满意的静、动态性能。     

自适应神经网络模糊推理系统在结构振动主动控制中的研究

运用线性二次型经典最优控制算法获得学习样本，由神经网络反向传播算法训练产生模糊规则和隶属度函数，设计自适应神经网络模糊控制器，通过某结构地震波作用下振动控制的数字仿真，表明自适应神经网络模糊推理系统可以有效地应用到结构控制中。     

基于遗传神经网络的手写体数字识别算法的探讨

针对神经网络BP算法在学习过程中的一些缺点,提出一种基于遗传算法与神经网络的手写数字识别新算法,将遗传算法与BP算法有机结合起来.文中给出了算法模型,并将此算法应用于手写体数字的识别中,实验结果证明它比单一BP算法有更佳的结果.     

基于神经网络的轧制力预报模型

采用了BP神经网络对热轧无缝钢管穿孔过程中轧制力进行预测，在BP算法学习过程中引入了附加动量法和自适应学习速率，结合Levenberg-Marquardt优化方法，加快了学习时的收敛速度，试验证明，取得了良好的学习和测试效果。研究结果可为斜轧穿孔工具设计和工艺调整提供一定的理论依据，对解决生产中出现的实际问题、开发新产品和新工艺提供有效的指导。     

基于模糊神经网络的定尺剪切线控制系统

为了提高卷钢自动定尺剪切的精度,提出一种模糊神经网络控制系统对卷钢剪的切线位置进行控制.控制系统采用模糊神经网络控制器和神经网络辨识控制器相结合的方式对神经网络的学习算法进行改进,通过对模糊神经网络进行训练学习,优化了网络的连接权值,从而能够很好地控制板材送料位置,使得板材在减速期以理想的减速曲线运行,实现准确停车进行剪切.仿真结果表明：该系统具有响应快、鲁棒性强、控制精度高、控制特性好等优点,能够满足剪切生产的要求.     

基于神经网络的自学习模糊控制

将神经网络与模糊控制相结合，提出了一种基于神经网络实现自学习模糊控制的方法，并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法，利用该方法，可以实现控制器的离线自学习和在线自学习，从而在控制对象发生变化时，通过控制器自学习改善系统的控制性能，仿真结果表明了该方法的有效性。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

Windows编程中的图形输出

Windows程序的所有输出其实都是图形．初学者在学Windows编程时，对图形输出常感到困惑，不知如何下手．在Windows编程中要想使用GDI对图形进行输出，首先就必须理解设备上下文、当前作图工具（如什么样的线、什么样的刷子和什么样的字体等）以及如何把GDI逻辑坐标映射到设备坐标等概念．通过围绕上述几个概念对Windows编程中的图形输出进行了方法介绍，并举例给出了绘制图形的过程，最后对利用MFC进行图形输出也作了介绍．     

面向小样本数据的水下目标识别神经网络深层化研究

在面对新时期海洋工程应用领域的挑战时，可以通过利用基于深度学习的神经网络在水声工程中的实现，来达成自动化、高效性、准确性的目标。然而在面对水下目标样本匮乏、水下声环境复杂、样本信噪比差等客观问题时，深度学习也会因其自身的局限性而变得不那么灵敏。针对小样本问题，通过构建多种目标特征提取法和深层深度神经网络模型，得到了不同目标特征提取与网络模型匹配后的目标识别率与网络预测值，并通过比对实验结果，提出了通过深层神经网络深层化设计解决小样本目标识别的新思路。     

基于位置和程度指标的结构损伤识别研究

为提高结构损伤识别的精度,提出基于动、静态数据融合的位置指标和完全基于频率的位置指标,并采用学习速率自适应调整的新型BP神经网络学习算法,其特点是在网络迭代过程中根据网络学习误差来调整学习速率的取值,该方法有效地克服了传统BP网络学习过程中容易陷入局部极小和收敛速度慢、学习效率不高的缺点,进一步讨论了参数输入方式对网络识别效果的影响,分别采用两步诊断法和一步诊断法进行损伤识别.结果显示,两步诊断法对损伤位置和程度的识别正确率较高,而一步诊断法识别效果却不令人十分满意;减少位置指标和程度指标的输入个数对损伤识别结果有显著的影响.     

线阵成像式焊接跟踪传感器输出信号的相关处理

由于线阵成像式焊接跟踪传感器输出的相邻两幅信号图形具有很强的相似怀，通过对信号图形进行相关处理，求出相邻两幅信号图形的位置错位置，即可获得跟踪指令，实现焊接跟踪。     

球磨机钢球磨损工艺过程的计算机仿真

钢球工作参数对球磨机的磨煤产量、能耗和钢球都有很大影响，本文将计算机仿真技术引入该研究领域，在建立仿真模型的基础上，成功地实现了钢球磨损工艺过程的计算机数字仿真和图形仿真；同时，利用计算机辅助建模和汉化处理等手段，用户可方便地建立和修改模型，该方法省时，经济，可行，对研究复杂系统尤为如此。     

基于神经网络学习控制的图像挖掘算法

针对传统神经网络算法进行图像分类识别时收敛速度慢,学习过程中可能出现震荡甚至收敛于局部极小值的情况,提出了一种小波变换融合神经网络的图像分类识别方法.利用高斯小波基函数取代神经网络隐含层中的隐节点函数,采用小波神经网络参数初始化方法和改进的模拟退火算法自适应调整学习过程中的网络权值参数,从而解决了神经网络的学习效率低等情况.结果表明,本文方法对5类动物图片的正确分类识别率为84.0%,较传统神经网络和稀疏表示的正确分类识别率提高了4.2%和6.1%.