7.1单神经元网络 7.2BP神经元网络 7.3RBF神经网络

介绍了逆模型超前控制器,神经网络反馈单元及由5层神经网络组成的集成控制系统.集成控制系统包括一个由神经网络组成的系统模型和具有自调整功能的控制单元.该方法被用于优化设计的综合机构控制仿真,结果证明了它的先进性和可行性

提出了一种独立分量分析和BP神经网络相结合的人耳识别新方法(ICABP法).首先采用快速独立分量分析方法提取人耳图像的独立基图像和投影向量,然后采用改进的三层BP神经网络进行分类识别.该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性.实验表明,ICABP法取得了很高的识别率

给出了板形板厚综合控制模型,提出了基于TH神经网络的动态矩阵设计方法并分析了其收敛特性.使用不变性原理对板形板厚综系统进行了解耦设计,并对板形板厚解耦神经网络预测控制系统,进行了仿真研究.结果表明神经网络可在儿百ns的时间内达到稳定状态,不仅满足了轧钢过程的快速性要求,而且控制精度也得到了提高

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

神经元模型 感知器 网络结构 网络训练 循环网络

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩, 提出一种基于傅里叶级数函数和BP神经网络的建模方法, 并完善机器人的动力学模型, 修正了因波动摩擦力矩带来的关节力矩计算误差. 通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性, 采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模. 通过添加傅里叶级数函数作为BP神经网络的辅助输入, 克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难. 在离线环境下训练神经网络, 完成对关节波动摩擦力矩的建模, 进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩. 验证实验表明, 使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩, 并使修正后的力矩误差维持在[-0.5, 0.5] N·m的范围之内, 方差为0.1659 N2·m2, 是修正前的24.23%

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

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性

在深入研究APT-2神经网络结构的基础上,提出了一种基于神经网络的自适应故障模式分类方法,并应用在轴承故障诊断中,结果表明:该方法对轴承故障模式具有自学习、快速稳定的识别能力