分析了小波基函数对于确定模式、混沌模式及随机模式所表现出来的不同的收敛特性,提出构造一个小波神经网络及相应学习算法.利用小波网络在学习过程中神经元的不同增长趋势来反映上述收敛性的差异,从而将3种不同的模式予以区分,并将混沌模式从中提取出来

在热力学分析的基础上,以高炉渣为原料,引入适当的添加剂,利用碳热还原-氮化的方法制备了Ca-α-Sialon-SiC粉,得到的Ca-α-Sialon含量最高可以达到81%;利用统计模式识别结合人工神经元网络优化了工艺

将一种机器学习算法——支持向量机引入到软岩工程支护设计领域,并根据问题需要提出了一种支持向量机回归算法且编制了相应的计算程序.工程算例证明,这种算法在学习样本数量很少的情况下就可以得到很高的预测精度,且具有推广性能好的优点,避免了人工神经元由于存在过学习问题而带来的网络参数难以确定的弊病,为类似工程的支护设计提供了一种新的途径

为了对匹配决策问题进行建模与预测,提出了一种具有更多神经生理学特征的稀疏回声状态网络(ESN),并基于在线监督学习方法对网络进行训练.为了评估网络的匹配决策性能,设计了三组测试数据集对网络性能进行测试,并提出了一种基于网络期望输出与实际输出序列最大相关系数的评价方法.仿真结果表明,新模型只需要较少的训练时间即可获得较好的决策性能,且对发放时间间隔、平移和网络噪声具有较好的鲁棒性

通过将迟滞特性引入神经元激励函数的方式，构造了一种前向型迟滞神经网络模型.结合卡尔曼滤波方法，将其应用于风速时间序列的预测分析中.在原始风速时间序列的基础上，构造出风速变化率序列.采用迟滞神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到最优预测估计结果.仿真实验结果表明，迟滞神经网络具有更加灵活的网络结构，能够有效改善网络的泛化能力，预测性能优于传统神经网络.采用卡尔曼滤波方法对预测结果进行融合后能够进一步提高预测精度，降低预测误差

针对漏钢时结晶器铜板温度呈现出的“时间滞后”和“空间倒置”等典型特征，本文通过引入动态时间弯曲(DTW)和机器学习中的密度聚类(DBSCAN)方法，提取、汇集并区分结晶器温度的典型变化模式，在此基础上开发出一种新型的漏钢预报方法。借助动态时间弯曲度量不同拉速、钢种或工艺操作条件下结晶器热电偶温度的相似性，并运用密度聚类方法聚集和分离正常工况、黏结漏钢状况下的温度样本，在此基础上检测和预报结晶器漏钢。结果证实，相较于传统的逻辑判断和人工神经元网络预报结晶器漏钢的方法，基于聚类的漏钢预报方法无需人为设置阈值或参数，能够依据漏钢历史样本中温度变化的共性规律，提取并融合热电偶温度在时间、空间上典型的变化特征，准确区分和预报结晶器漏钢，具有较好的自适应性和鲁棒性

一、目的要求 1.掌握三类肌组织的光、电镜结构 2.掌握神经元、神经纤维的结构，突触的概念、分类、结构及功能 二、内容 方法 1.数码互动显微镜系统示教： 骨骼肌：纵横断面、横纹、肌膜、肌内膜、肌束膜 心肌：纵横断面、横纹(特染）、闰盘 平滑肌：纵横断面

➢（一）脑活动概述 ➢（二）神经环路活动：实现脑功能活动的保证 ➢（三）神经环路活动的细胞分子基础——神经元、突触、环路整合 ➢（四）举例：基底神经节环路活动中黑质-纹状体通路机制的研究进展和前沿

1.掌握三类肌组织的光、电镜结构 2.掌握神经元、神经纤维的结构，突触的概念、分类、结构及功能

1.掌握神经元、神经纤维的结构与功能，突触的概念、结构及功能 2.掌握中动脉、心脏壁的结构 3.掌握毛细血管的分类及结构特点