基于结构的拟神经网络建模与优化方法研究

提出一种基于系统结构的拟神经网络建模与优化原理及拓扑结构.与传统的人工神经网络建模方法不同,该方法在建立系统模型时充分利用所研究对象的已有知识,使所建网络模型的权值具有明确的物理意义.通过对其网络权值的调整,同时实现了非线性系统的结构参数优化.以直动式溢流阀为例,验证了该方法的可行性和有效性,为非线性系统建模和优化提供了一个新的方法.     

多层神经网络学习算法的研究

本文对多层神经网络的反向传播算法作了简要的分析和讨论,据此提出了一种新的学习算法用以消除多层网络的“迟钝状态”。实验结果表明,这种新算法能够加速学习收敛速度并避免陷入局部极小。     

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法---级联算法（Cascade Correlation Algorithm,简称CC算法）及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。     

改进的BP神经网络在电子器件可靠性参数预测中的应用

提出一种基于BP神经网络的电子器件可靠性参数预测的新方法。以具体实验数据为例,以MATLAB中的神经网络工具箱为工具,采用了改进的BP神经网络,并对其设计方案进行了详细的分析说明,发现动量参数和学习率对训练次数的影响都很小;采用双隐含层比单隐含层训练更稳定,收敛的也更快速,同时给出了理想的学习方案。最后通过实验验证了该方法的有效性。     

两类小波模板及其在医学错畸形X射线头影图处理中的应用

基于医学错验X射线头影图像自动处理重要性及其复杂性,研究了两类小波模板并将其应用在X射线头影图像处理中.实际使用也证实了算法的鲁棒性.     

基于动态神经网络的柴油机建模研究

针对全柴推进系统仿真中主柴油机输出扭矩的预测问题，分析了输出扭矩的影响因素，在实验室试车台记录数据的基础上，利用小波分析方法对带噪声的原始信号进行预处理，运用Elman动态递归神经网络建立了用于柴油机输出扭矩预测的控制模型。     

线性分组码的神经网络译码

介绍了神经网络与线性分组码之间的关系，并在文献[1]的基础上证明了软判决译码与求解能量函数最大值之间的等价性，然后以(7，4，3)汉明码为例介绍了神经网络在循环码硬判决、软判决译码中的应用。     

基于小波变换的几种图像压缩方法研究

利用小波变换进行图像编码已成为近年来的研究热点.采用不同的小波变换和量化,就形成了不同的压缩方案.本文选用了Daubechies9/7小波和基于提升框架的线性插值小波变换,并基于现在最流行的JPEG2000标准,采用标量量化及嵌入式编码等不同方法,对几种压缩方法的实验效果进行了比较.