振动力场作用下聚合物挤出制品结构与性能的质量控制与优化

利用实验数据，分析与研究振动场振动参数对聚合物挤出制品质量的影响，对聚合物挤出制品的熔体流动速率，微晶结构，拉伸强度等主要性能质量指标，建立以振动频率为主要控制变量的神经网络模型，并引入信息分配模型，探讨了一个网络输入节点下神经网络学习样本的特征提取与优化。实验结果表明，经过信息预处理的学习样本，可以使网络有更好的收敛效果。     

储层敏感性快速预测软件在大港油田的研究与应用

在储层特征分析，室内实验，机理研究的基础上，利用人工神经BP网络建立预测模型，并编制了预测储层5种敏感性的软件，该软件受人为因素干扰小，所需参数少，准确度高，综合符合率大于80％现场应用结果表明，该技术能为制定保护油气层技术措施提供较可靠的依据，能提高油田滚动开发效益，改善老油田的开发效果，该软件对BP算法进行了改进，（1）从两方面入手使网络摆脱平坦区，一是对输入数据进行归一化处理，使O1的取值在[0,1]之间，二是一旦网络陷入平坦区域，局部极小，使连接权值Wkj,Wji和阈值Qk,Qj同时缩小一个因子，λ＞1，可使Ok(1-Ok)脱离零值，离开平坦区；（2）加速收敛，方法有自动调整学习因子，添加动量项以及对权值进行批处理，用BP算法预测储层潜在敏感性，首先应确定影响储层敏感性的主要因素，然后根据这些因素有针对性地收集有关资料并进行处理，再根据敏感性预测的要求，设计相应的网络结构进行训练，最后对训练好的网络进行.检验。     

利用自组织图识别和划分多次波

人工神经网络能有效地用于识别和划分地震数据集中的多次波。可用一种特别的神经网络，即自组织图（SOM）建立起表征实际问题的规则。将从CMP道集中选取的地震数据属性作为输入模式，SOM则在抽象空间中将数据聚成不同的类。通过合成数据和实际资料来说明如何用SOM识别和划分一次波和多次波，以及如何划分与地下某种生成机制相适应的各种多次波。     

基于神经网络模型的发动机工况识别

提出了利用BP神经网络对发动机工况进行识别的方法。建立了NN识别模型,实现对发动机工作状态的有效识别与预报,为有针对性地对发动机进行适时控制提供了依据。     

基于模糊神经网络和遗传算法的大坝安全监控模型

应用监控模型来监控大坝的工作性态是一条有效途径，但由于大坝工作条件复杂，影响因素繁多，为以精确的数学进行描述带来了很大的困难，而应采用从定性到定量的综合集成的方法，将专家知识，监测数据和各种信息与计算机软硬件技术结合起来，把坝工理论和坝工家的经验结合起来对其进行研究，文中应用模糊神经网络和遗传算法等人工智能技术，依据专家的经验确定隶性函数，从而建立模糊神经网络预报模型，根据专家对实际情况的正确分析，对预报结果进行修正，达到进一步提高预报精度的目的。     

水库最优调度规则的神经网络模型

利用人工神经网络的非线性决策特点，提出了水库（电站）最优调度规则的人工神经网络模型，以四川宝珠寺水电站为例，进行其最优调度规则的模拟，研究结果表明了模型的合理性，可行性及实用性。     

RBF网络及其在卫星姿态控制中的应用

提出了一种基于RBF网络扰动力矩补偿的控制技术，通过在传统PID控制的基础上，引入RBF网络补偿环节，进一步抑制了扰动力矩的影响，提高了卫星姿态控制精度，首先给出了RBF网络的学习算法，然后根据全补偿原则设计了神经网络补偿姿态控制方案，最后结合某型卫星的姿态控制系统设计实例，进行了数学仿真，结果表明：有RBF网络补偿的系统，姿态的稳态精度得到了明显的改善。     

河道深泓线变化神经网络预报模型研究与应用

以来水来沙及河段上下游边界条件为基本因子，建立了基于BP神经网络的河道深泓线变化预报模型。经长江中游马宜咀和长江口南支河段实测资料验证，模型能较准确模拟两河段的深泓平面变化，而且也能准确预测河段深泓平面变化趋势，该模型的建立为河道深泓平面摆动的定量预报以及河道治理和航道整治等工程实践提供了一种新途径。     

用于机器人轨迹定位纠正系统的回声状态神经网络研究

循环神经网络(RecurrentNeuralNetworks)是人工神经网络(ArtificialNeuralNetworks)中重要的分支,与前馈神经网络(ForwardNeuralNetworks)相比具有更好的时间序列学习能力。但长期以来其学习法一直不能脱离前馈神经网络而自成一体,回声状态神经网络(EchoStateNetworks(ESN))是打破这一局面的全新学习方法。其独特的结构,良好的短期记忆能力,方便的学习方法,不俗的非线性特性是以前循环神经网络所不可比的。本文在介绍了回声状态神经网络之后将其用于四轮机器人的位置测量系统中,有良好的表现。     

采用BP神经网络记忆模糊规则的控制

本文提供了一种比模糊推理更为自然的方式使用人们的经验知识,通过一组神经元不同 程度的兴奋表达一个抽象的概念值,由此将抽象的经验规则转化成多层神经网络的输入一输 出样本.通过Back-Propagation学习算法使得网络记忆这些样本.控制器以"联想记忆"方 式使用这些经验.本文介绍了控制器的构造方法,给出了控制仿真结果,并讨论了这种控制器 的特点和发展前途.