针对一类带有未知虚拟控制增益的随机严格反馈非线性系统,基于后推设计,引入积分型Lyapunov函数,并利用神经网络的逼近能力,提出了一种自适应神经网络控制方案.与现有研究结果相比,放宽了对控制系统的要求,取消了对于未知函数的限制条件.通过Lyapunov方法证明了闭环系统的所有误差信号依概率有界.仿真结果验证了所给控制方案的有效性

为了实现炼钢过程钢水温度的精确控制，在分析了实际炼钢厂钢水温度控制现状和钢水温度影响因素的基础上，建立了关键工序节点钢水温度的正向预测模型和逆向预定模型.同时，为了克服现有钢水温度预报方法的不足，提出一种基于钢包热状态和BP神经网络的混合模型方法.该方法以钢包热状态跟踪模型为基础，充分考虑了钢包热状态对钢水温度的影响，并与BP神经网络结合，可有效提高预测精度

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响

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

提出一种基于模糊逻辑和神经网络的专家系统,它是一种集信息表达,生成与求解为一体的新型求解系统,本系统的核心——学习推理网,网络的知识表达是分布的,可实现并行推理。不需要进行搜索和匹配

采用反向传播网络作为推理机,构造了高炉异常炉况判断专家系统,该系统具有良好的自学习功能和联想记忆功能.系统采用离线学习方式,在线运行时,可将高炉操作实绩存入知识库,作为进一步学习的样本,从而提高了系统精度和联想能力

电子科技大学：《神经网络理论及应用 Theory and Application of Neural Networks》课程教学资源（教学大纲）

【机器学习】一种多模块协同参与的神经网络

【机器学习】卷积神经网络金相组织自动识别

【机器感知与模式识别】一种卷积神经网络集成的多样性度量方法