主要内容 ·智能及其实现 ·ANN基础 Perceptron ·BP CPN ·统计方法 · Hopfield网与BAM ART

基于数值模拟和人工神经网络模型以及对智能控制工艺过程的适当简化,为拉伸样模型的注射过程建立了一套智能化控制仿真系统.研究表明,该系统能够根据样品对性能的要求(如密度分布),自动进行注射工艺参数的优化.采用优化后的注射工艺参数重新进行注射过程模拟计算后,发现注射坯密度分布的均匀性较调整前有显著提高,基本符合预期的密度要求,证明智能化控制仿真系统可行

基于人工神经网络( Artificial Neural Network)的控制(ann-based Control)简称神经控制(Neural Control)。神经网络是由大量人工神经元(处理单元)按照一定的拓扑结构相互连接而成的一种具有并行计 算能力的网络系统。它是在现代神经生物学和认识科学对人类信息处理研究的基础上提出来的,具有很强 的自适应和学习能力、非线性映射能力、鲁棒性和容错能力

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义

提出了板坯连铸二冷区全智能控制系统的构想，并用人工神经网络和模糊控制的方法对该系统进行了计算机仿真.结果表明，该系统不但能完成二冷各区段铸坯表面温度的动态控制，而且具有良好的自适应性和自学习功能

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制

以冶金工业部人才资源的管理问题为背景,给出了人才资源智能管理系统的具体设计方法.该系统中,广义的管理分析预测模型树用于其知识表达,系统结构由多库结构支持;在其推理机方面,应用元知识推理以协调定性推理、定量推理和人工神经网络推理.将有限的自然语言理解引入人-机界面,用TURBO PROLOG和C语言在IBM/AT微机上对该设计部分实现,表明了其合理性及可行性

1、 智能控制的产生和基本特征 2、基于神经网络的系统辨识 3、基于神经网络的系统辨识示例 4、基于神经网络的系统控制 5、基于神经网络的系统控制示例

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

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