针对梯度功能材料(FGM)制备过程的复杂性,提出了利用神经网络信息处理机制进行制备材料的特性预估;实例分析表明,这一方法是有效的.同时,针对BP学习算法速度较慢,易陷入局部极小的缺点,改用函数型连接网络来提高学习速度.试验表明学习速度提高显著

第十六章二端口网络 16-1二端口网络 16-2二端口的方程和参数 16-3二端口的等效电路 16-4二端口的转移函数 16-5二端口的联接 16-6回转器与负阻抗变换器

第16章二端口网络 本章重点 16.1二端口网络 16.2二端口的方程和参数 163二端口的等效电路 16.4二端口的转移函数 16.5二端口的连接 16.6回转器和负阻抗转换器

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

人工神经网络为学习实数值和向量值函数提供了一种实际的方法，对于连续值和离散值的属性都可以使用，并且对训练数据中的噪声具有很好的健壮性。反向传播算法是最常见的网络学习算法。反向传播算法考虑的假设空间是固定连接的有权网络所能表示的所有函数的空间。包含3层单元的前馈网络能够以任意精度逼近任意函数，只要每一层有足够数量的单元。即使是一个实际大小的网络也能够表示很大范围的高度非线性函数。反向传播算法使用梯度下降方法搜索可能假设的空间，迭代减小网络的误差以拟合训练数据

16.1 二端口网络 16.2 二端口的方程和参数 16.3 二端口的等效电路 16.4 二端口的转移函数 16.5 二端口的连接 16.6 回转器和负阻抗转换器

针对连续域函数优化问题,提出了一种新的全局极大值搜索方法——多感官群集智能算法(multi-sense swarmintelli-gence algorithm,MSA).受鱼群算法(artificial fish-swarmalgorithm,AFA)和FS算法(free search algorithm,FSA)的启发,MSA的搜索机制将大范围勘察和小范围精确搜索相结合,个体在使用视觉信息快速逼近局部较优解的同时,利用嗅觉信息避免群体过于集中并引导个体向全局较优解方向移动.仿真结果证明:MSA鲁棒性较强,全局收敛性好,收敛速度较快,收敛精度较高.最后,将该方法应用于前向神经网络训练,结果表明满足应用要求

16-1二端口网络 16-2二端口的方程和参数 16-3二端口的等效电路 16-4二端口的转移函数 16-5端口的连续 16-6回转器和负阻抗变换器

16.1 二端口网络 16.2 二端口的方程和参数 16.3 二端口的等效电路 16.4 二端口的转移函数 16.5 二端口的连接 16.6 回转器和负阻抗转换器

本章介绍了二端口(网络)及其方程,二端口的YZ、T(AH等参数矩阵以及它们之间的相互关系,还介绍转移函数,型和ㄇ型等效电路及二端口的连接。最后介绍了两种可用二端口描述的电路元件回转器和复阻抗变换器