1 人工神经网络发展概况 2 神经网络基本概念 3 前馈神经网络 4 其他神经网络简介 5 神经网络模式识别

绪论 神经系统疾病的常见症状及体征 神经病学的临床方法 神经系统疾病的辅助诊断方法 神经系统疾病的诊断原则

以工业PID控制中控制器参数调整困难为背景,在分析神经网络特性的基础上,提出神经网络控制方法,设计了具有自适应性的神经网络PID控制器。在描述了神经网络的学习机理的基础上,给出了控制器控制算法。通过2个实例验证了神经网络在线控制的可行性

通过将迟滞特性引入神经元激励函数的方式，构造了一种前向型迟滞神经网络模型.结合卡尔曼滤波方法，将其应用于风速时间序列的预测分析中.在原始风速时间序列的基础上，构造出风速变化率序列.采用迟滞神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到最优预测估计结果.仿真实验结果表明，迟滞神经网络具有更加灵活的网络结构，能够有效改善网络的泛化能力，预测性能优于传统神经网络.采用卡尔曼滤波方法对预测结果进行融合后能够进一步提高预测精度，降低预测误差

第一节神经元活动的一般规律 一、神经元和神经纤维 Neuron Nerve fiber (一)神经元的基本结构和功能

第一节神经系统的基本元件 第二节神经元之间的信息传递 第三节感觉功能 第四节调节躯体运动功能 第五节植物性神经系统的功能 第六节大脑的高级功能 重点:神经系统的感受机能、神经系统对躯体运动和内脏活动的调节 难点:突触传递机理

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

一、神经管的形成 二、神经诱导作用 三、神经管的分化 四、神经元的分化 五、神经元的生长和凋亡

神经元 一、神经元的基本结构 二、神经纤维 三、感受器及效应器 四、突触 五、神经元的变性和再生

一、神经管的发生和早期分化 二、脊髓的发育 三、脑的发育 四、神经节和周围神经的发生 五、垂体和松果体的发生