利用神经网络对白噪声、红噪声和正弦波进行辨识.进而采用单片机对以上3种噪声和尖峰脉冲干扰进行自适应滤波处理.实验结果表明该方案正确

应用神经网络建立了获取采矿方法选择时所需的主要技术经济指标的采矿经验知识库,并以普通全面法为例,描述建造BP网络模型的过程.研究结果表明:利用这个采矿经验知识库,就可以根据采矿方法的工程背景,求得它的主要技术经济指标

面对板形板厚控制这一复杂、多变量耦合的非线性系统,提出一种基于模糊神经网络的综合控制方案,实现了无模型板形板厚综合控制.仿真结果表明,该控制系统收敛性好、抗干扰性强,取得令人满意的板形板厚控制精度

根据我国大气腐蚀网站积累的环境数据和材料腐蚀数据,采用人工神经网络方法。建立了碳钢及低合金钢在大气条件下,腐蚀率与金属腐蚀暴露时间对应关系的预测模型.结果表明:在相同的大气环境下不同的金属存在着不同的网络;相同金属在不同的大气环境下存在着不同网络;BP算法的形式要根据实际情况而定

• 深度学习基础 – 深度学习的发展过程 – 深度学习常用技术框架 – 常用深度学习算法 • 音频质量评价 – 音频样本及特征预处理 – 音频特征选择 – 卷积神经网络模型训练 • 模型参数调优 • 性能验证

本章对目前常用的几种智能优化计算算法作简单介绍,以使读者对它们有个基本认识。内容包括神经网络、遗传算法、模拟退火算法和神经网络混合优化学习策略

根据炼钢转炉的实际采集数据,利用1种新型模糊神经网络(FNN),对其进行了静态建模。从理论上论证了该FNN的推理及非线性逼近能力。用新建模型对钢水终点温度,终点含碳量进行计算,其结果与相应的实测值基本一致

利用神经网络优化性能指标实现了动态控制,并给出了计算机模拟实例

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%

第三讲神经元与网络结构 3.1生物神经元及生物神经网络 3.1.1生物神经元 人脑大约由1012个神经元组成,而其中的每个神经元又与约102~104个其 他神经元相连接,如此构成一个庞大而复杂的神经元网络。 神经元是大脑处理信息的基本单元,它的结构如图31所示。它是以细胞 体为主体,由许多向周围延伸的不规则树枝状纤维构成的神经细胞,其形状很 像一棵枯树的枝干。它主要由细胞体、树突、轴突和突触(Synapse,又称神经 键)组成