类脑计算脉冲神经网络模型及其学习算法研究进展

深度神经网络在实际应用中的局限性日益凸显，具备生物可解释性的类脑计算脉冲神经网络成为了人们研究的热点课题。应用场景的不确定性及复杂多样性给研究者提出了新的挑战，要求类似生物大脑组织具备多尺度架构的类脑计算脉冲神经网络，能够实现对多模态、不确定性信息的感知决策功能。文中主要介绍了多尺度生物合理性的类脑计算脉冲神经网络模型及其面向多模态信息表征和不确定信息感知的学习算法，并分析探讨了基于忆阻器互联的脉冲神经网络可实现多尺度架构类脑计算的两个关键技术问题，即多模态、不确定信息与脉冲时序表示一致性问题和多尺度脉冲神经网络学习算法与容错计算问题。最后，对类脑计算脉冲神经网络的研究方向进行了分析与展望。     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

一种基于神经网络的数据挖掘算法

随着数据应用的深入,各类数据挖掘方法越来越重要.神经网络理论模拟人类的大脑神经处理信息的方式,通过信息样本对神经网络进行学习和训练,使其具有人脑的记忆和学习能力.研究基于此理论,给出了一种基于神经网络算法的服装销售预测实例.     

基于灰色神经网络的烧结碱度预测与仿真

建立了应用灰色神经网络对烧机矿化学成分进行预测的有关理论，并在此基础上构造了灰色神经网络模型。该模型中。灰色理论弱化数据序列波动性和神经网络特有的非线性适应性信息处理能力相融合，本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测。该模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和BP神经网络算法相比，灰色神经网络算法有很大的应用前景和推广价值。     

基于神经网络的知识推理研究综述

知识推理是知识图谱补全的重要手段,一直以来都是知识图谱领域的研究热点之一。随着神经网络不断取得新的发展,其在知识推理中的应用在近几年逐渐得到广泛重视。基于神经网络的知识推理方法具备更强的推理能力和泛化能力,对知识库中实体、属性、关系和文本信息的利用率更高,推理效果更好。简要介绍知识图谱及知识图谱补全的相关概念,阐述知识推理的概念及基本原理,从语义、结构和辅助存储三个维度展开,综述当下基于神经网络的知识推理最新研究进展,总结了基于神经网络的知识推理在理论、算法和应用方面存在的问题和发展方向。     

固体火箭发动机故障诊断的神经网络方法研究

固体火箭发动机地面试验系统的故障诊断过程复杂,故障征兆和故障原因之间存在着许多不确定因素,精确定位故障存在许多困难.传统的神经网络方法和模糊推理方法为解决这一类故障诊断问题提出了一些算法,然而难以提高不确定故障诊断的性能.针对这种情况,提出了一种基于模糊神经网络的故障诊断方法.该算法同时具备了模糊理论的处理不确定、不准确信息的推理能力和神经网络的自学习能力.将这种方法应用到某固体火箭发动机地面试验系统的故障诊断,仿真结果表明,该算法有效,较好地解决了固体火箭发动机地面试验系统的不确定故障诊断问题.     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

一种基于信息瓶颈的神经网络混合压缩方法

如何在计算能力和存储能力有限的移动或嵌入式设备中部署神经网络是神经网络发展过程中必须面对的一个问题。为了压缩模型大小和减轻计算压力,提出了一种基于信息瓶颈理论的神经网络混合压缩方案。以信息瓶颈理论为基础,找到相邻神经网络层之间冗余信息,并以此为基础修剪冗余的神经元,然后对剩余的神经元进行三值量化,从而进一步减少模型存储所需内存。实验结果表明,在MNIST和CIFAR-10数据集上与同类算法对比,所提方法具有更高的压缩率和更低的计算量。     

基于神经网络的多目标数据压缩方法的研究

根据多目标函数优化的理论，提出了多目标优化神经网络的理论模型，研究了一种基于神经网络的多目标数据压缩方法．该方法根据数据特征的变化，自动调整神经网络的结构参数(联接权和偏置值)，以获得在较小的信息损失代价下的尽可能大的数据压缩量．该方法具有自适应能力强、并行处理、知识分布存储和抗干扰等特点．     

基于D-S证据理论和BP神经网络的多传感器信息融合

针对多传感器信息融合的基本可信度分配在实际应用中难以解决的问题,提出了一种基于D-S证据理论与BP网络相结合的多传感器信息融合的改进方法。该方法充分发挥BP神经网络自学习、自适应和容错的能力,利用BP神经网络处理证据理论的基本可信度问题,再利用D-S证据理论来处理不精确、模糊的信息。最后通过一个实例证明了该方法的有效性。     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。     

《神经网络理论及应用》课程实践教学案例设计

针对《神经网络理论及应用》课程理论知识抽象、信息覆盖面广等特点,选择Python作为实践教学工具,将“基于BP神经网络的鸢尾花分类”案例引入《神经网络理论及应用》课程,阐述了该案例的BP神经网络算法流程,设计了基于BP神经网络的鸢尾花分类模型,并利用鸢尾花数据集（Iris Dataset）进行验证,以此激发学生的学习兴趣,将理论教学和实践教学紧密结合,培养学生的创新能力与实践能力。     

一种提高BP神经网络泛化能力的改进算法

针对BP神经网络中样本数据复杂和容易陷入到局部极值的不足,通过利用主成分分析法对样本数据进行简化,并采用遗传算法优化神经网络的初始权值,提出了一种改进BP神经网络泛化能力的算法.该算法兼顾了主成分分析方法剔除冗余的特性和遗传算法能够全局优化的特点,既具备了较快的收敛速度又不易陷人到局部极值中,具有较强的泛化能力.实验结果表明,改进后的算法在数据降维、冗余信息的剔除、预测能力等方面都得到了一定程度上的改善.     

基于粗神经网络的仿人智能机器人的语音融合算法研究

将粗集合理论与神经网络相结合，提出一种基于粗神经网络的新的信息融合方法，用于仿人智能机器人的语音融合。该方法不仅可以接受定量输入，而且可以接受定性输入，即输入是一个范围，或在观测时间内输入是变化的。由于粗神经网络的误差传递函数不可微，所以采用遗传算法来训练粗神经网络。仿真实验结果表明，基于粗神经网络的信息融合方法有效地提高了语音的识别率。     

基于BP神经网络模型的信息处理系统的应用分析

介绍了BP神经网络模型的网络训练学习算法，并应用其良好的自学习、自适应能力于系统信息处理中，通过信息样本对神经网络的训练，使其具有人脑的记忆、辨识能力，完成各种信息处理功能。     

基于提升方案的冗余Haar小波变换与时间序列预测

针对小波分析存在的边界问题，提出一种基于提升方案的冗余Haar小波变换(Haar_RLWT)。使用该方法得到的系数序列，在具备时移不变性的同时，消除了右侧边界存在数据畸变的现象，使小波分析技术结合神经网络等传统预测模型的方法应用于时间序列预测任务具备可行性。同时为进一步提高预测效果，引入神经网络集成技术以改善网络泛化能力。实验表明，该综合预测模型预测效果与稳定性优于传统预测模型。     

广义神经网络的研究及其在交通流预测中的应用

提出一种基于线性独立函数的智能神经元模型,理论分析表明这种智能神经元比普通神经元具有更高的知识存储能力,可使整个神经网络的信息处理能力得到大大增强.将这种智能神经元组成的广义神经网络应用于交通流预测,对大连市实测交通流数据进行了预测分析.实验结果表明,该广义神经网络的预测效果远远优于常规BP网络,具有较高的实用价值.     

结合注意力与卷积神经网络的中文摘要研究

目前深度学习已经广泛应用于英文文本摘要领域，但是在中文文本摘要领域极少使用该方法进行研究。另外，在文本摘要领域主要使用的模型是编码-解码模型，在编码时输入的是原始的文本信息，缺乏对文本高层次特征的利用，导致编码的信息不够充分，生成的摘要存在词语重复、语序混乱等问题。因此，提出一种局部注意力与卷积神经网络结合的具备高层次特征提取能力的编码-解码模型。模型通过局部注意力机制与卷积神经网络结合的方式提取文本的高层次的特征，将其作为编码器输入，此后通过基于全局注意力机制的解码器生成摘要。实验结果证明，在中文文本数据集上该模型相对于其他模型有着较好的摘要效果。     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩，提取初步的映射规则。对初步的规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立输入状态空间到输出空间的精确映射，大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验，结果表明，该神经网络具有分类逼近能力强、计算量小等优点。     

神经网络在图像处理中的应用

近几年，随着神经网络理论的深入研究，神经网络技术的并行性计算能力、非线性映射和自适应能力等优点得到了充分的认识，各种神经网络模型在图像处理领域中得到了广泛的应用．本文对各种流行的神经网络模型在图像处理领域中的应用进行了汇总，根据图像处理的具体内容对这些应用进行分类叙述，阐明了神经网络技术在图像处理领域中的优点和不足之处，并对将来神经网络技术在图像处理领域中的应用提出了几点期望．