鉴于边坡系统影响因素之间的高度非线性和不确定性,融合RS-GP模型的优势,提出了依据边坡稳定性影响因素类比计算边坡安全系数的方法.该方法通过学习样本的数据特征分析、计算属性的重要性及约简规则,降低了遗传规划预测模型的结构规模.人工神经网络(ANN)模型与RS-GP模型计算结果比较表明:该方法具有计算速度快、容错能力强及精度高等特点

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

最小距离法是一种应用非常广泛的状态识别算法,但其在使用过程中要求待识别样本必须符合类内距离较小、类间距离较大这一前提条件,否则将会造成识别错误.针对最小距离法存在的问题,提出了一种基于人工神经网络的改进最小距离法,并将该方法应用于加热炉工况的状态识别.结果表明,该方法具有识别速度快、识别率高的优点,完全能够满足工业生产过程的需要

运用BP网络来消除信号的随机噪声和模式识别.作为例子,考虑了正弦波、矩形波和三角波3种信号.在50%噪声情况下,BP网络仍能有效地消除这3种信号中的随机噪声并正确地找出它的理想模式

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

通过将轧制变形区离散化的方法,在考虑变形区内横截面上张应力、摩擦应力等影响因素沿带钢轧制方向分布规律及其与带钢厚度及压下量的关系的基础上,采用数学模型和神经网络相结合的方法计算了金属变形抗力,建立了冷连轧机轧制力在线计算数学模型.经大型工业轧机生产实践数据检验,该冷连轧机在线轧制力计算模型预报误差控制在6.1%以内,满足模型在线控制要求,可提高在线控制轧制力模型的计算精度

针对复杂生产过程中的工况识别问题,利用了模块化的设计方法,将其分为离线建模模块和在线决策模块.建模模块采用自适应延时神经网络构造各类工况相应的预测模型,决策模块通过计算未知工况序列相对于各类预测模型的匹配程度判断其所属类别

基于人工神经网络建立了反向凝固过程中的性能预测模型,实现了对铸带厚度和新相层晶粒度的全面预测;探讨了凝固过程中的主要工艺参数对上述性能的综合影响,为反向凝固性能的综合预测提供了简便的新手段.研究表明,新生相晶粒度随钢水过热度、母带厚度、浸入时间变化对其影响不显著,而钢水过热度、母带厚度、浸入时间变化对铸带厚度的影响较大.该模型的预测结果与实测的结果较为接近

将一种机器学习算法——支持向量机引入到软岩工程支护设计领域,并根据问题需要提出了一种支持向量机回归算法且编制了相应的计算程序.工程算例证明,这种算法在学习样本数量很少的情况下就可以得到很高的预测精度,且具有推广性能好的优点,避免了人工神经元由于存在过学习问题而带来的网络参数难以确定的弊病,为类似工程的支护设计提供了一种新的途径

延安大学：《病理学 Pathology》课程教学资源（习题库，附答案）第十五章 神经系统疾病