HH神经元的自抗扰同步研究

因外部电磁环境变化导致生物神经元放电节律不同步是生物控制中需要解决的一个难点问题。HH神经元模型是描述神经元动力学特性的第一个数学模型,以HH神经元为研究对象,利用各种现代控制方法获得HH神经元的同步,方法的不足在于对外部干扰的敏感性以及控制律复杂不易实现。为增强神经元同步的鲁棒性和可行性,利用自抗扰控制算法,在三种不同情况下研究HH神经元的同步,并且依次加入不同干扰验证其同步效果。仿真结果表明,自抗扰控制能够对神经元系统的总扰动进行实时估计和补偿,消除扰动对神经元系统同步的影响,从而获得良好的同步效果。     

电液位置伺服系统的单神经元PSD控制研究

研究了单神经元PSD控制器的一般结构，探讨了自适应PSD算法和改进的神经元学习规则，在SIMULINK环境下，针对实际的电液位置伺服系统进行了动态仿真，结果表明单神经元PSD控制器能使系统得到较好的控制效果。     

航空有源滤波器自适应谐波检测仿真研究

介绍了基于自适应滤波理论的谐波检测原理,分析了自适应神经元算法用于谐波检测的可行性,设计了基于自适应谐波检测的并联型航空混合有源滤波器,对滤波特性进行了仿真研究。结果表明,基于自适应滤波理论的谐波检测方法能够快速、精确地检测相电流谐波含量,在相电压波形发生畸变的情况下,也具有较好的自适应能力、快速补偿能力和跟踪性能。     

火电机组过热汽温神经网络控制的研究

研究了单神经元PID控制器和BP神经网络PID控制器在火电机组过热汽温的应用．实验结果表明,神经网络PID控制结构简单,有较强的鲁棒性,取得了较好的控制效果．     

用于队列管理的模糊增益神经元自适应控制器

针对具有参数时变及非线性特性的网络拥塞控制系统,提出了一种模糊增益神经元主动队列管理算法(FNAQM). 采用路由器队列长度及数据流速作为拥塞度量,在检测当前拥塞信息的同时,预测未来拥塞的状况. 结合神经元控制和模糊控制的优点,利用单神经元计算数据包标记概率,采用有监督的Hebb学习规则在线调整加权系数. 设计的模糊控制器可动态调整神经元增益,能获得更好的控制性能. FNAQM具有结构简单、易于实现、自适应能力强等优点. 仿真实验结果表明,FNAQM能快速将队列调整至目标值,并维持较小的队列抖动,对动态数据流和非响应流具有良好的鲁棒性.     

基于单片机的变惯量智能伺服控制系统设计

针对军工企业装弹机装填炮弹种类增多的需求所导致的装弹机伺服控制系统转动惯量的变化,如仍采用经典PID控制方式,则会使系统性能下降,甚至失稳;为解决转动惯量的变化带来的控制问题,结合常规PID和神经网络技术设计了位置环的单神经元自适应PID控制算法,并进行了仿真研究;论文给出了控制系统的总体设计方案,进行了系统软硬件的具体设计与工程实现;设计选用基于电机专用数字信号控制器dsPIC30F6010A为整个硬件系统的核心,系统采用电流环、速度环、位置环三闭环结构,由DSC主电路、IPM电路、外围电路、信号检测及保护等电路组成;硬件系统还具备过压保护、过流保护、漏电流检测等能够增强系统可靠性的功能;仿真结果表明,单神经元自适应PID控制能够很好的适应转动惯量的变化,改善了系统的动态性能;经现场试验,装弹机协调器适应多种弹种的切换(炮弹质量在30~45 kg),定位精度小于±3 mm,调节时间小于150 ms,启动和停止时无超调现象,有效解决了军工实际问题。     

基于BERT的盗窃罪法律文书命名实体识别方法

法律文书命名实体识别是智慧司法领域的关键性和基础性任务。在目前法律文书命名实体识别方法中,存在实体定义与司法业务结合不紧密、传统词向量无法解决一词多义等问题。针对以上问题,该文提出一种新的法律文本命名实体定义方案,构建了基于起诉意见书的法律文本命名实体语料集LegalCorpus;提出一种基于BERT-ON-LSTM-CRF(Bidirectional Encoder Representations from Transformers-Ordered Neuron-Long Short Term Memory Networks-Conditional Random Field)的法律文书命名实体识别方法,该方法首先利用预训练语言模型BERT根据字的上下文动态生成语义向量作为模型输入,然后运用ON-LSTM对输入进行序列和层级建模以提取文本特征,最后利用CRF获取最优标记序列。在LegalCorpus上进行实验,该文提出的方法F₁值达到86.09%,相比基线模型lattice LSTM F₁值提升了7.8%。实验结果表明,该方法可以有效对法律文书的命名实体进行识别。     

新型忆阻器可逼真模拟突触行为或为类脑计算机铺平道路

美国科学家研制出一种新型“扩散式忆阻器”,模拟了人脑内两个神经元结点--突触内钙离子的行为,逼真度达到有史以来的最高水平。该项研究或将有助于开发类脑（神经形态）计算机。据称,这种计算机在执行感知和学习任务方面比传统计算机性能更好,也更节能。     

感知神经网络的信息传输及电路实现研究

为提高神经元网络信号的传输效率,改善人们对外界刺激的感知能力,本文采用平均互信息量的评价方法,研究了费茨休夫-南云感知神经元模型中信息传输的随机共振现象,探讨了并联单层神经元网络和双层神经元网络的信息处理功能,并用PSpice电路对神经元网络的信息传输进行了实验验证。数值模拟与电路仿真结果表明,FHN神经元并联模型和双层神经元网络具有随机共振现象,在一定的噪声强度范围内,双层神经元网络对输入信号的响应好于单层神经元网络,噪声能够提高神经元网络的输入输出互信息量,平均互信息量的最大值对应最优的传输性能,证明噪声对神经网络信息传输具有增强作用。该研究对感知神经元群体的信息传输具有重要的启示意义。     

基于PCNN的自动图像分割

脉冲耦合神经网络(PCNN)模型在数字图像分割中得到了广泛的应用,但对网络参数的确定以及最优结果的选则一直是一个难题,主要是以人工经验为主,虽然提出了一些参数自动设置的算法,但都缺乏对模型本身数学理论的研究和分析.通过对PCNN网络神经元点火特性的分析,提出了一种基于图像最大灰度值最小时刻点火的参数自适应设定算法,并针对该算法构造了一种新的用于最优结果选择的判定准则.将其用于lena等图像分割中,取得了与主观评价相一致的结果,而且表现出更快的速度和较好的鲁棒性.