摘要：为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明:一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。

摘要：为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。对网络的过程式输入函数及时变的权函数,实施连续沃尔什变换,用变换后的数据训练网络。经过这种变换,能使网络输入的时域聚合运算大为简化,有效地避免了复杂的积分过程,使过程神经元网络的训练等同于普通网络的训练。

摘要：过程神经元网络的提出为大样本识别问题开辟了新途径,但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数,然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分,并将此积分值提交给网络的过程隐层神经元,输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点,有效地简化了网络的时空聚合运算。实验表明该方法是可行的。

摘要："基地化、网络化、实用化"是当前军事训练的总体目标,为适应信息化条件下装备指挥专业训练和考核方式的变革,采用Client/Server架构及先进的答题技术、多线程技术、多层服务器技术以及故障恢复技术设计,并实现了装备指挥专业网络训练考核系统,系统具有题(卷)库管理、网络训练、网络考核、考务管理、人员管理等功能,为改革创新信息化条件下装备指挥专业训练考核方式提供了有效手段。应用和实践表明,系统能够有效提高装备指挥专业训练考核的智能化和高效化。

摘要：遥感图像能在短时间内获取大范围丰富的地表数据和细节,有效完成遥感图像场景的分类成为分析相关信息的重要依据。基于此,本文提出了PS-DenseNet下的代数模型遥感图像场景分类方法,为提升遥感图像的分类准确性,引入Lie group代数模型分析工程问题可获取底层特征并降低特征维度,并在Densenet基础上设计PS-DenseNet提取高层特征,进而采用焦点代价函数完成网络训练,所设计的深度网络模型可训练海量遥感图像样本特征,使模型具备较强的自学习功能;为校验本文方法的有效性,采用两类数据集完成本文方法和文献[5]、[6]方法的验证,实验结果表明,本文方法的OCA参数和Kappa参数均优于其他两种方法,并能在较少的epoch中达到分类精准度较高的稳定状态。

摘要：针对传统瑕疵检测软件对瑕疵识别定位准确率低的问题,设计一个基于改进DenseNet-SSD的瑕疵检测系统。在DenseNet卷积神经网络和SSD目标检测框的基础上,分别加入可变形卷积和Focal Loss机制,得到改进的DenseNet-SSD模型;将此模型应用到瑕疵检测系统进行瑕疵检测测试。应用结果表明,对比于VGG16-SSD和Faster RCNN,本方法的平均检测精度高达93.53%,具备更好的检测性能。对比于原始的DenseNet-SSD,本方法的mAP提高了7.78%,且本方法的IOU仅为0.718,各类瑕疵检测精度的标准差为2.513 9。由此说明,设计的软件具备精准的瑕疵定位能力,能够有效识别各类瑕疵。

摘要：针对FeO含量控制复杂与难度大的实际情况,开发了神经网路预报系统。采用改进后的4层前向神经网络,进行多因素输入建模,输出采用主因线性相关与次因非线性相关叠加,预报现场烧结矿FeO含量。网络结构设计精度高、泛化能力强。训练方差为0.015 088 46,用训练样本集测试FeO含量输出,检验的绝对平均误差为0.135 665,命中率为97.78%。采用训练后网络预报,绝对平均误差为0.189 226,命中率为91.14%。

摘要：针对温、湿度需要同时进行控制的这种复杂的非线性系统,采用神经网络辨识的方法,从工程实用角度出发,考虑辨识精度和辨识学习时间,确定出合理简单的网络结构及网络训练参数。考虑影响温湿度控制的各种因素,用不同测试条件下得到的检测样本对训练后的网络进行检测,均能满足一定的精度要求。在网络训练中实行训练和测试间隔进行,最终确定出网络参数,这样训练出来的神经网络有较好的泛化能力,能在较宽的范围内正确映射控制系统的输入输出,为对温、湿度控制系统进行进一步的研究,进而为神经网络控制器的设计打下可靠的基础。

摘要：针对因雾霾、夜间等视线不佳环境下难以识别行人、车辆、涵洞和隧道等各类障碍物的难题,提出了一种基于神经网络的车辅系统障碍物识别技术。第1步进行深度神经网络设计,首先应用了单步目标检测算法框架进行算法设计,然后通过多尺度预测解决热源体目标尺寸差异问题,最后进行目标位置回归估计。第2步进行覆盖目标的全部特征训练数据集制备。第3步进行网络训练和推理、模型迁移。第4步针对嵌入式的平台进行神经网络模型轻量化设计,解决量化误差并实现计算精度,实现驾驶人员在雾霾、夜间等环境下对路况障碍物准确识别并清晰显示告警。通过实际测试,该方法提升了在雾霾、夜间等环境下路况障碍物识别的准确性和实时性,保障了驾驶安全。

摘要：基于BP人工神经网络,以建筑结构的抗震设防类别、设防烈度、场地类别、地震分组、高宽比、长宽比、刚度,质量和面积为主要影响因子,以隔震后结构的最大层剪力比和支座最大位移作为输出结果,建立一个隔震初步设计系统。经25个训练样本对该网络进行训练后,利用15个测试样本对网络进行了测试。通过测试结果与实际设计结果的对比,网络的平均准确率达到96%,说明基于BP神经网络的隔震初步设计系统对隔震结构的减震效果分析具有高效性和准确性。