离散时间细胞神经网络的学习算法

细胞神经网络的应用主要取决于其模板的设计。文章针对离散时间细胞神经网络的应用，通过利用一个随「机并行算法来优化一个目标函数，进而完成了ＤＴＣＮＮ模板的设计，为ＤＴＣＮＮ的设计提供了理论根据。在连通片检测应用中的模拟表明了算地的有效性和正确性。     

轴类件耦合神经网络实例推理CAPP索引模型的研究

本文提出了一种基于神经网络的工艺设计实例推理索引模型。与现存大多数实例推理系统不同该方法用神经网络实现实例的动态分类和索引。实例层次分类的三层结构和基于特殊的聚类模板概念，为实现基于符号处理的实例推理求解模式向基于神经计算的模式识别求解模式映射提供了条件。     

轴类件耦合神经网络实例推理CAPP索引模型的研究

本文提出了一种基于神经网络的工艺设计实例推理索引模型。与现存大多数实例推理系统不同该方法用神经网络实现实例的动态分类和索引。实例层次分类的三层结构和基于特征的聚类模板概念，为实现基于符号处理的实例推理求解模式向基于神经计算的模式识别求解模式映射提供了条件。该方法的优点在于实例的高速、有效检索，知识获取的简化以及基于神经网络的检索算法的鲁棒性。     

面向稀疏卷积神经网络的GPU性能优化方法

近些年来,深度卷积神经网络在多项任务中展现了惊人的能力,并已经被用在物体检测、自动驾驶和机器翻译等众多应用中.但这些模型往往参数规模庞大,并带来了沉重的计算负担.神经网络的模型剪枝技术能够识别并删除模型中对精度影响较小的参数,从而降低模型的参数数目和理论计算量,给模型的高效执行提供了机会.然而,剪枝后的稀疏模型却难以在GPU上实现高效执行,其性能甚至差于剪枝前的稠密模型,导致模型剪枝难以带来真正的执行性能收益.提出一种稀疏感知的代码生成方法,能够生成高效的稀疏卷积GPU程序.首先为卷积算子设计了算子模板,并结合GPU的特点对模板代码进行了多种优化.算子模板中的源代码经过编译和分析被转换为算子中间表示模板,设计了一种稀疏代码生成方法,能够结合剪枝后的稀疏参数,基于中间表示模板生成对应的稀疏卷积代码.同时,利用神经网络执行过程中的数据访问特点对数据的访问和放置进行了优化,有效提升了访存吞吐量.最后,稀疏参数的位置信息被隐式编码在生成的代码中,不需要额外的索引结构,降低了访存需求.在实验中证明了：相对于GPU上已有的稀疏神经网络执行方法,提出的稀疏感知的代码生成方法能够有效提升稀疏卷积神经网络的性能.     

基于注意力机制的循环神经网络评价对象抽取模型

针对评论文本中评价对象的抽取任务,需要设计特征模板,而抽取结果往往受特征模板影响大的问题,提出一种端到端的神经网络评价对象抽取模型。分析条件随机场CRF在评价对象抽取任务中的特征模板设计;使用词向量嵌入模型在语义空间表示词语,并分析注意力机制在神经网络模型中的作用;将条件随机场模型与循环神经网络模型LSTM相结合,形成基于注意力机制的LSTM-CRF-Attention模型。在NLPCC2012和NLPCC2013两个数据集上进行实验,该模型的F值比CRF模型分别提高8.15%和11.03%。实验结果也同时验证词向量具备表示词语特征的能力,注意力机制能够有效提高神经网络模型中的评价对象抽取效果。     

基于卷积神经网络的简单几何体三维模型自动分类识别研究

本文针对五类简单几何体三维模型,设计了完整的卷积神经网络模型以实现自动分类识别。首先本文运用CATIA二次开发技术完成了模型的生产并收集了原始数据,其次运用图像处理的理论对原始数据进行了预处理,然后运用卷积神经网络理论完成了本文的卷积神经网络模型设计,最后进行了实验分析并验证了本文模型的可行性。     

基于BP神经网络模型的信息处理系统的应用分析

介绍了BP神经网络模型的网络训练学习算法，并应用其良好的自学习、自适应能力于系统信息处理中，通过信息样本对神经网络的训练，使其具有人脑的记忆、辨识能力，完成各种信息处理功能。     

支持大批量定制的产品配置设计系统的研究

针对大批量定制生产的特点，提出基于产品功能结构单元的产品配置模板来完成对客户配置需求的快速响应，给出了产品配置模板的信息模型和配置求解策略．由于机械产品结构的复杂性，引入配置设计知识的混合表达方法以适应不同产品设计类型的要求．最后给出基于产品配置模板信息模型的配置设计系统的实例．     

基于神经网络与遗传算法的传动部件设计优化

为了提高设计效率，得到最优设计效果。依据人工神经网络模型和遗传算法的基本原理，建立了基于神经网络和遗传算法的传动部件设计优化模型，用Matlab语言编制了应用程序，对神经网络的参数预测与遗传算法的优化过程进行求解，试验仿真结果表明，采用设计优化切实可行，具有良好的实际应用效果。     

两步迭代自返馈神经网络排序模型

本文提出了用神经网络有效地解决排序问题的途径和方法。建立了一个自反馈神经网络排序模型，对于ｎ个元素的排序问题，利用该模型可在两个迭代步内完成，排序时间与排序问题的规模无关。该模型的空间复杂度为Ｏ（ｎ＾２）。     

用于深度学习训练加速的自适应框架设计

用FPGA加速深度学习算法的训练过程通常需要较长的开发周期和丰富的硬件设计经验.为了应对这一挑战,设计了一种基于自适应模板技术的深度学习算法训练加速框架,在应用规模、并行调度策略、资源使用和功能扩展上进行了深入的研究并提出了相应的优化策略.采用CPU-FPGA异构加速模板技术,提出了自适应的上层模型编译框架实现与不同硬件加速资源的适配.这种基于定制模板的软硬件协同设计可以很好地适配不同的FPGA芯片并支持算法的快速迭代.用图神经网络算法数据进行加速对比实验,实现了与CPU相比7～41倍的速度提升.     

竞争型神经网络在汉语TTS系统中的应用

在汉语TTS系统韵律模型中改善文本处理能力可提高汉语语音合成系统的语音输出质量，针对上述问题，该文提出了竞争型神经网络在汉语TTS(Text to speech)韵律建模中的应用，通过对输入的多个不同韵律特征的模板样本进行竞争，最终选择与自然语音最匹配的那个样本模板，听辨的结果证明，竞争型神经网络模型合成语音的自然度得到进一步的提高。     

信息处理模板的设计与实现

本文根据信息处理中的一些共同过程，提出信息处理的通用模型。根据这一模型，设计小型信息处理模板。文中还阐述了信息处理模板的结构；总结该模板的开发经验和模板开发中所用到的技术，包括应用系统的安全性，用户界面的文件标，备份与恢复，栈式窗口技术和联机追踪帮助等等。最后简单地说明该模板的应用情况。     

一种解决非光滑伪凸优化问题的新型神经网络

针对带有不等式约束条件的非光滑伪凸优化问题，提出了一种基于微分包含理论的新型递归神经网络模型，根据目标函数与约束条件设计出随着状态向量变化而变化的罚函数，使得神经网络的状态向量始终朝着可行域方向运动，确保神经网络状态向量可在有限时间内进入可行域，最终收敛到原始优化问题的最优解。最后，用两个仿真实验用来验证神经网络的有效性与准确性。与现有神经网络相比，它是一种新型的神经网络模型，模型结构简单，无需计算精确的罚因子，最重要的是无需可行域有界。     

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想，提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数，简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明，自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况，为数据融合与智能系统技术在非线性系统中的应用作了有益的探索.     

软件预估分析模型的研究与估算工具的实现

提出一种新的软件估算模型,为不同的软件类别设计多种度量输入模式,加入模板调节、BP神经网络反馈调节等机制,提升估算过程的适用性和灵活性.利用面向对象的设计方法,实现一个基于新估算模型的软件工具.     

基于自组织小脑神经网络的挠性卫星姿态控制

研究卫星稳定性优化控制,卫星姿态控制系统是一个耦合的不确定非线性系统,在轨运行的卫星不可避免地受到模型参数不确定性和各种干扰力矩的影响,存在使挠性卫星大角度姿态机动的控制问题进一步复杂化.为了完成姿态控制任务,需要所设计的控制律具有较高的鲁棒性.采用滑模变结构控制对挠性卫星进行姿态机动控制,用神经网络对不确定性进行补偿,改变了传统的小脑神经网络补偿时实时性差的缺点,提出用自组织小脑神经网络对不确定性进行补偿,根据输入自动增加和减少节点数,并可以更新权值.对于模型的不确定性可以实时地补偿,提高了泛化能力.通过数值仿真,验证了所设计控制方法的有效性和鲁棒性,对优化卫星姿态稳定性控制提供依据.     

基于混沌神经网络的发电机定子绕组匝间短路故障诊断

本文采用耦合的混沌振荡子作为单个混沌神经元构造混沌神经网络模型，用改进Hebb算法设计网络的连接权值。在此基础上，实现了混沌神经网络的动态联想记忆并应用该混沌神经网络模型对发电机定子绕组匝间短路故障进行诊断。结果表明，该种方法有助于故障模式的记     

基于BP网络的英文字符识别

本文利用BP神经网络针对英文字符识别的问题建立模型,通过建立英文字符的图像模板,并给模板赋值形成特征矩阵,最后在MATLAB环境下应用BP神经网络对英文字符进行分类识别,在识别的同时,通过对模板进行模糊处理后再次识别,并与先前识别的结果比较来验证该模型的鲁捧性.仿真表明,该模型能够比较有效地实现英文字符识别,为英文字符识别提供了一定的参考性.     

多级PSO神经网络在手写体字符识别中的应用

提出一种用于手写体字符识别的三级神经网络模型，各子神经网络均用粒子群优化算法(PSO)训练。在该模型中，各个神经网络与不同的图像特征提取方法相结合；识别时，三个神经网络先串联再并联。该模型充分有效地利用了各种特征信息，从实验结果看，也达到了较好的辨识目的。文中主要讨论手写字符图像的特征提取、粒子群优化算法及其在网络训练上的应用，最后分析了识别结果并与采用改进BP训练算法的综合识别效果进行了比较。