电脑和人工神经网络

电脑和人工神经网络林溪波电脑，本世纪的骄子，自从诞生那天起，就受到了世人的格外宠爱。电脑，从１９４６年第一台诞生至今不到５０年间，经历了第一代到第五代又巨大变化，更重要的是，它已在工业、农业、交通、通信、８融、商业、科研、教育和国防与领域获得了广泛的...     

基于CRNN混合神经网络的多语种识别

在语种识别过程中,为提取语音信号中的空间特 征以及时序特征,从而达到提高多语 种识别准确率的目的,提出了一种利用卷积循环神经网络(convolutional recurrent neural network,CRNN)混合神经网络的多语种识别模型。该模型首先提 取语音信号的声学特征;然后将特征输入到卷积神经网络(convolutional neural network,CNN) 提取低维度的空间特征;再通过空 间金字塔池化层(spatial pyramid pooling layer,SPP layer) 对空间特征进行规整,得到固定长度的一维特征;最后将其输入到循环神经 网络(recurrenrt neural network,CNN) 来判别语种信息。为验证模型的鲁棒性,实验分别在3个数据集上进行,结果表明:相 比于传统的CNN和RNN,CRNN混合神经网络对不同数据集的语种识别 准确率均有提高,其中在8语种数据集中时长为5 s的语音上最为明显,分别提高了 5.3% 和6.1%。     

神经元网络的光学实现

本文介绍 Hopfield 神经网络的基本原理及光学实现方法。     

联想神经网络收敛性能的研究

本文对具有投影学习算法的Hopfield型二值神经网络(HBNN)在同步工作方式下的收敛性能进行了比较全面的讨论。证明了网络具有演化收敛到网络平衡点的特性,推导了计算网络收敛所需瞬态工作步数上界的估算公式,分析并给出了计算平衡点(记忆模式)收敛半径的算法。     

智能控制的模糊神经网络技术的研究现状与前景展望

本文从模糊系统与神经网络作为逢应用模型无关估计器时智能特性的研究、模糊控制器的神经网络实现技术及神经网络学习的模糊视网络技术等方面，详细地介绍了目前关于智能控制的模糊神经网络技术的研究现状，同时亦融入了作者关于此课题的一些思想，并对模糊神经网络的研究趋势进行了简单预测。     

非对称参数细胞神经网络中的混沌与分叉

研究了由３个细胞组成的细胞神经网络中的混沌与分叉现象。主要讨论了细胞神经网络中的一类特殊奇异吸引子，它由两个稳定平衡点和一个不稳定平衡点及其流形形成。通过取不同的初始值，可以在同一组参数焉获得３种不同的相轨线图，也可观察到一个稳定极限环的存在。     

模糊神经网络的交叉研究

介绍模糊神经网络交叉的基础与途径，从基于神经网络的模糊逻辑系统和用模糊逻辑增强的的神经网络两个方面介绍了模糊神经网络交叉研究的具体实现，最后指出模糊神经网络交叉的未来方向。     

光学模糊联想神经网络

本文提出一种模糊联想神经网络的非相干光学实现系统。利用空间区域编码技术和阴影投射系统，模糊联想存贮器所需的矩阵－矢量最大－最大合成运算可得到光学实现。给出了实验结果。     

论细胞神经网络的稳定性

研究了细胞神经网络的耗散性及其平衡点的存在性、唯一性和全局渐近稳定性，推广了先前有关ＣＮＮ稳定性的一些结果。     

细胞神经网络在地图识别中的应用

一幅图形元素的轮廓线的表示等价于具有不同最小检测宽度的直线的表示，在本中，基于细胞神经网络理论，提出了一种提取和分离地图元素的方法，还给出了提取和分离一个小街区网络图的结果，模拟结果是令人满意的。     

基于LVQ神经网络集成的柴油机气门故障诊断

针对柴油机气门故障的诊断样本少和非线性数据特征等问题,文中提出了一种基于学刁向量量化（LVQ,LearningVectorquantization）神经网络集成的柴油机故障诊断方法,该方法通过使飘LVQ神经两络作为基础学习器．采用Bagging算法对LVQ神经网络分类器进行相对多数投票集成,并用LVQ神经网络．LVQ神经网络集成．BP神经网络和RBF神经网络等方法对柴油机气门故障诊断．对评价结果进行了分析和比较,LVQ神经网络集成对柴油机气门故障诊断的正确率高于其他神经网络,神经网络集成的柴油机气门故障诊断精度高于单个神经网络的精度.     

基于BP-LSTM组合神经网络模型的汽车车速预测

准确的汽车车速预测对整车能量分配、道路交通管理具有重要意义。针对汽车车速本身具有高度时变性以及单模型预测存在局限性的特点,提出：反向传播神经网络-长短时记忆网络(BP-LSTM)组合神经网络模型,首先利用BP神经网络进行训练,将训练集数据和得到的预测输出、残差输入到Adam算法优化的LSTM神经网络中,用于训练LSTM模型。结合BP网络结构简单、预测时间短、LSTM精度高的优点,通过深度学习框架Tensorflow进行模型的搭建与验证,实现基于BP-LSTM组合神经网络模型的短时车速预测。结果表明：组合神经网络预测效果优于BP、LSTM两种单一模型,预测精度得到改善。