系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类

连续血糖监测在糖尿病管理中具有重要的意义。目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术。本文利用心电(ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60 d 756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异。结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%。其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86。研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导

实验一 总体概率密度分布的非参数方法 实验二 感知器准则算法实验 实验三 Fisher线性判别实验 实验四 BP神经网络算法实验 实验五 支持向量机算法实验

1、模糊控制器与卡尔曼滤波器的比较 2、实时目标跟踪系统 3、模糊控制器的工作原理 4、卡尔曼跟踪与模糊跟踪仿真 5、自适应FAM

采用组合式皮托管测量的方法测量了喷射沉积过程中的雾化气体流场,并基于神经网络的方法对流场进行数值模拟,获得了较为精确的雾化气体压力与流场中轴向气体速度之间的关系,实现了对不同气压下气体流场的预测

针对传统最小二乘多项式板形模式识别方法鲁棒性差、各分项物理意义不明确,以及普通BP(back propagation)识别法精度低等问题,选用勒让德多项式作为板形基本模式,提出一种基于二叉树型分层BP的板形模式识别并行计算模型.该模型通过逐层细化预测范围并选用多个神经网络进行递推.实验结果表明,采用此方法不仅增强了系统的抗干扰能力,而且提高了系统的识别精度

对于那些无法用数学方程式表述的复杂生产过程,提出一种基于模式识别原理的智能自动化新方法.该方法的基本点在于:从信息的角度出发,采用特征变量来描述过程工况,再用时间序列分析法建立预测模型,从而实现工艺最优化.还介绍了专门为此目的研制的红外线CCD热成像装置,并给出了建立预测模型的神经网络算法

（1)都是非数值型的非线性函数的逼近器、估计器、和动态系统; （2)不需要数学模型进行描述,但都可用数学工具进行处理; （3)都适合于VLSI、光电器件等硬件实现。不同之处:(工作机制方面:

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 深度学习 第八节 支持向量机 第九节 MATLAB的应用实例

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 支持向量机 第八节 MATLAB的应用实例