对鞍钢冷轧厂四机架冷连轧机轧制压力模型进行了认真分析,指出了其存在的缺陷.把遗传算法(GeneticAlgorithms,简称GA)和神经网络有机结合,设计出了具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及GA-BP算法联合进行网络权值修改几种功能的遗传神经网络,建立了基于遗传神经网络的新冲连轧机轧制压力模型.通过原模型计算值、新模型计算值与实测值之间的对比分析可知,遗传神经网络模型计算精度优于传统轧制力模型

9.1 概述 9.2 神经网络控制结构 9.3 单神经元网络控制 9.4 RBF网络监督控制 9.5 RBF网络自校正控制 9.6 基于RBF网络直接模型参考自适应控制 9.7 一种简单的RBF网络自适应控制 9.8 基于不确定逼近的RBF网络自适应控制 9.9 基于模型整体逼近的机器人RBF网络自适应控制 9.10 神经网络数字控制

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

讨论一种动态神经网络——Elman回归神经网络的结构和算法.基于这一网络结构提出了非线性时变工业对象——直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较,结果证明回归网络模型能够很好地适配该工业对象,显示了动态神经网络在工业对象建模中的良好应用前景

以某钢厂1580热连轧生产数据为基础,提出一种有限元与神经网络集成建模的方法.该方法首先对轧制过程的塑性变形进行有限元建模,然后结合有限元数值分析方法和智能技术的优点,实现有限元和神经网络的集成建模.集成模型中的神经网络模型为有限元模型提供参数调整的依据,并且在神经网络训练过程中使用改进的混沌粒子群优化算法对神经网络进行优化.通过与现场实际生产数据进行比较,验证了该模型的有效性

以工业PID控制中控制器参数调整困难为背景,在分析神经网络特性的基础上,提出神经网络控制方法,设计了具有自适应性的神经网络PID控制器。在描述了神经网络的学习机理的基础上,给出了控制器控制算法。通过2个实例验证了神经网络在线控制的可行性

1. 神经网络简介 2. 神经网络优化方法 3. TF 实现神经网络线性回归

第1章 绪论 2 第2章 机器学习概述 22 第3章 线性模型 53 第4章 前馈神经网络 78 第5章 卷积神经网络 105 第6章 循环神经网络 129 第7章 网络优化与正则化 153 第8章 注意力机制与外部记忆 192 第9章 无监督学习 213 第10章 模型独立的学习方式 228 第11章 概率图模型 253 第12章 深度信念网络 288 第13章 深度生成模型 308 第14章 深度强化学习 329 第15章 序列生成模型 355

探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神经网络模型.这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力.对该网络进行了滚动轴承检测数据模式分类实验,并与BP网络进行了比较性实验.结果表明:该网络具有良好模式分类能力和较好的可塑性

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径