摘要：采用“CNN+LSTM”组合深度神经网络结构,文章研究并设计了一个新型实时监控打架视频动态预测系统,不仅能通过CNN提取动作行为的图像特征,还可以通过LSTM预测是否存在打架行为,同时使用OpenCV进行实时视频监控及图像处理,最后通过PyQt5界面显示实时行为视频与预测结果。

摘要：准确的建筑冷负荷预测是实现大型中央空调系统优化运行、节能降耗的关键.为此,提出一种天牛须搜索(BAS)算法优化的广义回归神经网络(GRNN)结合长短时记忆(LSTM)神经网络的混合预测模型(BAS-GRNN&LSTM),用于建筑冷负荷预测.首先,采用递归特征消除法得到最佳特征数量并结合随机森林算法做特征选择;再将天牛须搜索算法优化后的广义回归神经网络与长短时记忆神经网络组合,构建冷负荷混合预测模型;最后利用某大型建筑的实测数据进行了仿真实验.结果表明:天牛须搜索算法有很好的稳定性和收敛性,适用于广义回归神经网络参数优化;利用随机森林算法结合递归特征消除法提取出的特征能够更好地建立预测模型,有效增加模型预测精度;相比其他预测模型,BAS-GRNN&LSTM的预测效果更为优越,并能对不同月份冷负荷进行有效预测,泛化能力强,适用于建筑冷负荷预测.

摘要：聚合物分子量分布(MWD)是反映产品性能最重要的指标之一,它是典型的二元建模对象,采用组合神经网络对MWD的空间和时间变量进行分解建模。首先利用离散正交多项式神经网络在链长空间上建立分布与链长的模型,然后将MWD与时间变量的关系转换为网络权向量与输入变量之间的函数,利用递归神经网络建立两者之间的模型,最后组合两个网络达到建模目标。分布函数的模型表达式可写成状态方程形式,为进一步设计控制策略提供了基础。在链长空间上建立模型时,实现了神经网络的权向量与MWD相应阶次矩值之间的等价关系,网络权向量由单纯的拟合数据转变为有意义的物理量,实现了神经网络模型的灰箱化,为精确预测网络隐层节点数问题提供了解决途径。提出的方法应用于实验室规模的苯乙烯聚合过程,证明了建模方法的可行性,同时网络权值与矩值的等价关系也得到验证。

摘要：基于话者分类的自适应语音识别是实现非限定人、大字表语音识别的一种很有前途的有效方法．本文设计了一种用于话者分类的主从式组合神经网络，以神经预测模型作为从网络，可以从短语音（一个音节，约０．３秒）中有效地提取、规正和压缩话者个人性信息；主网络采用具有很强聚类功能的自组织特征映射网络．针对话者个人性信息的模糊性，提出了模糊系统聚类算法和双类心聚类算法．

摘要：针对通信信号非稳定、信噪比(SNR)变化范围大的特性,利用调制信号的循环平稳特性,提取出五种对SNR和信号调制参数不敏感但对调制类型敏感的特征参量。为提高分类性能,设计了一种采用多个不同神经网络的组合分类器结构,采用输出向量加权表决的融合规则。仿真表明,低信噪比下组合神经网络分类器比单个神经网络分类器有更高的识别率。

摘要：为了在恶劣、复杂的协同空战环境里帮助飞行员进行更有效的决策 ,在其指挥级 ,提出了一类有 /无教师组合神经网络—— BP-SOFM网络 ,并用它来完成目标分配和攻击排序。对于典型的 2 :4空战 ,给出了 BP-SOFM网络的结构 ,并探讨了各个子网的训练和测试方法 ,及该组合神经网络的使用方法。设计并实现了一个基于 BP-SOFM网络的多机协同空战仿真系统。仿真结果表明 。

摘要：本文提出了一种利用信息设计和试验神经网络的结构和作用原理的方法，它包含了字符串中许多正确的识别方法。文中介绍了两个神经网络，它们组合成相连的识别系统。一个是组合的神经网络，另一个是感知器类型的神经网络，由计算机系统模拟来实现。在数字串中，组合系统解决了MNIST数据库提供的数字序列中手写体数字识别问题。对于输入数字串的识别程序，组合神经网络执行中间的数字识别过程。在网络中，基于感知器类型的网络执行最终经选择存储的有限数字串。实验显示，组合系统可以采用MNIST数据库许多正确的数字识别方法，包括数字串的信息。另外，实验还显示，在每个数据库中，组合系统用于MNIST数据库识别方法的无差错率超过5个连续的数字。

摘要：标准的Sarsa(λ)算法对状态空间的要求是离散的且空间较小,而实际问题中很多系统的状态空间是连续的或尽管是离散的但空间较大,这就需要很大的内存来存储状态动作对。为此提出组合神经网络,首先用自组织映射(SOM)神经网络对状态空间进行自适应量化,然后在此基础上用BP网络拟合Q函数。该方法实现了Sarsa(λ)算法在连续和大规模状态空间的泛化。最后,实验结果表明了该方法的有效性。

摘要：由于传统人驾车(traditional human-driven vehicles, HVs)驾驶行为会受到驾驶员的心理和生理活动的不确定性影响,可能使得车辆频繁地加减速,进而导致混合交通条件下网联自动车(connected and automated vehicles, CAVs)很难快速跟踪此行为.针对这一问题,首先提出一种提前预测传统人驾车行为的组合神经网络.在此基础上,考虑通信时延和车辆运动学特性,设计一种基于交通信息物理系统(transportation-cyber physical system, T-CPS)的混行车群内车辆协同控制策略,使其能够快速跟踪上传统人驾车行为,并对混行车群内网联自动车之间的串稳定性进行分析.最后,在混合交通条件下设置由1辆传统人驾车、1辆领头网联自动车和4辆跟随网联自动车形成的混行车群,利用下一代交通仿真(next generation simulation, NGSIM)车辆轨迹数据选出高质量传统人驾车状态,并通过仿真实验验证所提协同控制策略的有效性和可行性.由仿真实验结果可知,所提协同控制策略可以保证所有的网联自动车能够快速跟踪上传统人驾车行为,为解决新型混合交通带来的新问题提供一定的理论指导和借鉴.

摘要：针对当前角色分配实时决策效率不高,难以学习以往角色分配优秀策略等问题,本文提出构建基于组合神经网络的角色分配知识库模型。所构建的知识库由多个组合神经网络模型组成并采用模块化管理,具有可更新性和可扩展性。利用神经网络的自组织和学习能力,该知识库可学习角色分配经验策略,用于实时角色分配方案推理。最后,以RoboCup中型组比赛为例,验证构建组合神经网络知识库的可行性及知识库的在线决策能力。