为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性

了解人工神经网络的有关研究思想,从中 学习开拓者们的部分问题求解方法。 通过实验进一步体会有关模型的用法和性 能,获取一些初步的经验。 查阅适当的参考文献,将所学的知识与自 己未来研究课题(包括研究生论文阶段的 研究课题)相结合起来,达到既丰富学习 内容,又有一定的研究和应用的目的

• 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

第一部分 深度学习基础 第1章 什么是深度学习 第2章 神经网络的数学基础 第3章 神经网络入门 第4章 机器学习基础 第二部分 深度学习实践 第5章 深度学习用于计算机视觉 第6章 深度学习用于文本和序列 第7章 高级的深度学习最佳实践 第8章 生成式深度学习 第9章 总结

针对超声心动图像质量差、噪声多，传统卷积神经网络架构对超声心动图像的学习能力有限、表达不充分的缺点，提出了一种基于标准切面识别的房间隔缺损（Atrial septal defect，ASD）智能辅助诊断模型。该模型通过对超声心动图像进行切面识别，充分融合其不同切面的语义特征，使得诊断的准确率得到明显提升。此外，还对其进行双边滤波保边去噪，并基于此模型搭建房间隔缺损智能辅助诊断系统（简称ASD辅助诊断系统）。结果表明，该ASD辅助诊断系统的准确率高达97.8%，且与传统卷积神经网络相比大大降低了假阴性率

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

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

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

提出了采用人工神经网络方法进行地下金属矿山岩层移动预测,结合模糊数学对选取的地表移动影响因素进行了处理.计算结果表明,所选取的各因素之间及其与岩层的移动角之间存在着较强的非线性关系,移动角的大小与选取因素有着密切的联系,进而从理论上证明可以预测由于开挖引起的岩层和地表移动的范围问题

依据煤与瓦斯突出机理及突出过程物理特征,结合煤矿安全监测系统,提出以瓦斯浓度和煤体温度时间序列的煤与瓦斯突出预警指标,利用GIS技术和人工神经网络建立了煤与瓦斯突出预警模型.某矿17180工作面的预警结果表明:预警模型可以为煤与瓦斯突出预警提供技术支持