介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性

5.0 引言 5.1 感知机 5.2 多层感知机 5.3 反向传播算法 5.4 径向基函数网络 5.5 说明

1．导论 2．Bayes决策理论 3．概率密度估计 4．线性判别函数 5．神经网络 6．统计学习理论

下丘脑与神经垂体和腺垂体的联系非常密切,如视上核和室旁核的神经元轴突延伸终止于神经垂体,形 成下丘脑-垂体束。在下丘脑与腺垂体之间通过垂体门脉系统发生功能联系

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

依据煤与瓦斯突出机理及突出过程物理特征,结合煤矿安全监测系统,提出以瓦斯浓度和煤体温度时间序列的煤与瓦斯突出预警指标,利用GIS技术和人工神经网络建立了煤与瓦斯突出预警模型.某矿17180工作面的预警结果表明:预警模型可以为煤与瓦斯突出预警提供技术支持

面对板形板厚控制这一复杂、多变量耦合的非线性系统,提出一种基于模糊神经网络的综合控制方案,实现了无模型板形板厚综合控制.仿真结果表明,该控制系统收敛性好、抗干扰性强,取得令人满意的板形板厚控制精度

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

采用带动量项的线性再励自适应变步长BP神经网络算法,建立了基于多周期运行模式的烧结矿化学成分预报模型;使用基于数据库技术的知识库和正向推理的推理机,开发了化学成分控制专家系统.系统自投入运行以来,预报模型命中率稳定在90%以上,操作指导建议采纳率达到92%,实现了对烧结矿化学成分的稳定控制

本章系统阐述神经肌肉的兴奋性,含兴奋的产生、传导和兴奋在神经肌肉接点的传递,认为这是完整机体内肌肉收缩的生理学基础;根据肌丝滑行理论着重对肌细胞的收缩过程与机制,以及肌肉收缩的形式和力学特征进行分析;此外肌肉中结缔组织对肌肉收缩的影响以及肌电图在体育科研中的应用也作简要的介绍。 第一节 肌肉的微细结构 第二节 肌肉的特性 第三节 细胞的生物电现象 第四节 肌肉的收缩原理 第五节 肌肉收缩形式与力学特征 第六节 肌纤维类型与运动能力 第七节 肌肉的结缔组织 第八节 肌电图