采用3层前向神经网络描述混沌时间序列的动力学模型,给出了该网络拓扑结构的确定方法.以及使网络泛化误差达到最小为依据确定网络的输入节点和隐含节点个数.仿真结果表明:该方法不仅优化了网络的结构,而且大大减少了网络的泛化误差

第一部分 深度学习基础 第1章 什么是深度学习 第2章 神经网络的数学基础 第3章 神经网络入门 第4章 机器学习基础 第二部分 深度学习实践 第5章 深度学习用于计算机视觉 第6章 深度学习用于文本和序列 第7章 高级的深度学习最佳实践 第8章 生成式深度学习 第9章 总结

为了实现炼钢过程钢水温度的精确控制，在分析了实际炼钢厂钢水温度控制现状和钢水温度影响因素的基础上，建立了关键工序节点钢水温度的正向预测模型和逆向预定模型.同时，为了克服现有钢水温度预报方法的不足，提出一种基于钢包热状态和BP神经网络的混合模型方法.该方法以钢包热状态跟踪模型为基础，充分考虑了钢包热状态对钢水温度的影响，并与BP神经网络结合，可有效提高预测精度

针对一类带有未知虚拟控制增益的随机严格反馈非线性系统,基于后推设计,引入积分型Lyapunov函数,并利用神经网络的逼近能力,提出了一种自适应神经网络控制方案.与现有研究结果相比,放宽了对控制系统的要求,取消了对于未知函数的限制条件.通过Lyapunov方法证明了闭环系统的所有误差信号依概率有界.仿真结果验证了所给控制方案的有效性

为了解决某钢厂IF钢冶炼RH精炼过程铝耗偏高问题,通过数理统计和BP神经网络相结合的方法建立了铝耗预测模型,并与多元线性回归模型进行比较,该模型具有更高准确度.该模型分析了不同冶炼工艺参数对铝耗的具体影响,并对相应工艺参数进行了优化.结果表明:脱碳结束氧活度或RH进站氧活度降低0.005%左右,每吨钢铝耗可降低0.07~0.08 kg,铝脱氧有效利用系数为70.31%~80.35%;RH进站钢液温度增加35~40℃,铝耗降低1 kg左右,铝热反应升温利用系数在97.4%左右;吹氧量小于100 m3和大于100 m3时,氧气与铝反应的比例分别为37.3%和74.6%左右,吹氧量每增加50 m3,铝耗分别增加0.1 kg和0.2 kg左右.工艺参数优化后平均铝耗由1.359 kg降低到1.113 kg,降幅达18.1%

• 支持向量机 • 二元线性SVM • SVM用于非线性分类 • 机器学习方法 • 人工神经网络（Artificial Neural Network, ANN） • 深度学习（Deep Learning）现状 • 经典的深度学习模型/算法 • 卷积神经网络 Convolutional Neural Networks (CNN) • 多层反馈网络 Recurrent neural Network(RNN) • 自动编码器 AutoEncoder • 受限玻尔兹曼机 Restricted Boltzmann Machine, RBM • 深度置信网络 (Deep Belief Nets，DBN）

在研究富钴结壳高产区地形特征基础上，以富钴结壳站点地理坐标为中心，获得了一平方公里的海拔高度数值矩阵作为地形特征。使用卷积神经网络的分析方法对数值矩阵进行训练，学习坡度和平整度等区域特征，将富钴结壳站点地形和其他海底地形进行区分。依据训练后获得的模型，对富钴结壳高产区进行预测，取得了较好的预测效果，结合其他因素的影响，可以提高结壳靶区选取的精准度

浮选回收率是金矿选矿过程重要的生产指标，目前主要是通过人工化验的方法检测获得，人工检测周期较长，造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上，分别采用多元线性回归和BP神经网络的方法，建立了金矿厂浮选回收率的预测模型.预测误差分析表明，BP神经网络预测模型能较好地预测金矿厂的浮选回收率，当预测相对误差在±3%范围内时，模型的预测精度达到91%，对于实际生产具有良好的参考作用

CMAC网络的基本思想与结构模型 CMAC网络的工作原理 CMAC算法的程序语言描述 CMAC网络的泛化能力 CMAC网络的几个问题 仿真示例

SOFM网络的思想来源 SOFM网络的结构模型 SOFM神经元的基本功能函数 SOFM的基本学习算法 仿真实例 几点注意事项