北京科技大学：《人工神经网络原理与应用 Artificial Neural Networks》课程教学资源（研究实验）双入单出BP人工神经网络及算法研究

北京科技大学：《人工神经网络原理与应用 Artificial Neural Networks》课程教学资源（研究实验）单神经网络在控制系统中的应用

北京科技大学：《人工神经网络原理与应用 Artificial Neural Networks》课程教学资源（研究实验）单入单出BP人工神经网络及算法研究

北京科技大学：《人工神经网络原理与应用 Artificial Neural Networks》课程教学资源（研究实验）双入单出感知器人工神经网络及算法研究

哈尔滨工业大学：《神经网络》课程教学资源_过程神经元与过程神经网络模型

哈尔滨工业大学：《神经网络》课程PPT教学课件（研究生）第2次课 神经网络（钟诗胜）

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

由于协作机器人的结构比普通工业机器人更为轻巧，一般动力学模型所忽略的复杂特性占比较大，导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上，采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动，以电机电流估算关节力矩，获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明，补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果，各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等，表明了文中所提出补偿方法的有效性

为了提升航班运行风险预测精度，基于某航空公司2016—2018年航班运行风险数据，在验证15个风险时间序列的混沌特性后，构建基于多变量混沌时间序列的风险预测模型。首先，对15个风险时间序列进行多变量相空间重构，采用主成分分析法（PCA）对相空间进行降维处理；然后，基于迭代预测的方式，分别采用极限学习机、RBF神经网络、回声状态网络和Elman神经网络建立风险短期预测模型；最后，以降维后的相空间作为输入，计算并比较分析未来1～7 d的风险预测结果。结果表明：多变量相空间重构后总维数为62维，经PCA降维处理，降至31维；在不同的预测模型中，降维后RBF模型预测效果最佳；其中，预测第1天结果相对误差<25%出现频数为82.62%，至第5天仍达75%以上；该模型第1天预测结果的修正平均绝对百分比误差（MAPE）值为11.32%，且前5 d均低于20%，满足航空公司使用要求。1～5 d预测结果对航班风险管控具有实践操作价值，证明基于多变量混沌时间序列的风险预测方案可行、有效

针对轮式移动操作机器人的非完整性和不确定性,为其设计了鲁棒跟踪控制器.即采用分段运动学到动力学方法为移动平台设计动力学跟踪控制器,并分别为移动平台和机械手设计神经网络控制器,利用遗传算法来搜索神经网络的优化权系值,从而补偿平台与机械手间的不确定量.通过Matlab的Simulink以及CMEX文件对所设计的控制器仿真,结果表明此控制器具有较强的鲁棒性