内容安排 一、内容回顾 二、BP网络 三、网络设计 四、改进BP网络 五、内容小结

 概述  Elman神经网络结构  Elman神经网络学习算法  Elman网络的MATLAB实现

Hopfield网络结构和模型 Hopfield网络输出的计算过程(离散) Hopfield网络的稳定性 Hopfield网络的学习算法 Hopfield网络的几个问题 Hopfield网络的MATLAB实现示例

探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神经网络模型.这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力.对该网络进行了滚动轴承检测数据模式分类实验,并与BP网络进行了比较性实验.结果表明:该网络具有良好模式分类能力和较好的可塑性

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

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。 10.1 人工神经网络与神经网络优化算法 10.2 遗传算法 10.3 模拟退火算法（simulated annealing，SA） 10.4 神经网络权值的混合优化学习策略

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法.使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证.结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度

第一节 神经网络概述 第二节 人工神经网络的基本概念 第三节 感知器 第四节 BP神经网络 第五节 神经网络控制

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。 10.1 人工神经网络与神经网络优化算法 10.2 遗传算法 10.3 模拟退火算法 simulated annealing,简称SA 10.4 神经网络权值的混合优化学习策略

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机