安卓平台上的医用图像信息采集系统的开发设计

为了探讨在安卓平台上构建医用图像采集系统的开发个案,分析通过以智能手机、平板电脑为核心安卓设备通过拍照获得化验单数据后进行文本识别并提交智慧医疗系统的解决方案。本文首先通过二值化算法形成低阈值图像数据,使用卷积神经元网络算法对文本进行逐一识别,使用K-means算法对识别后的单字文本进行字段记录值的整合并形成元数据库服务于其他智慧医疗系统模块。在使用9000组数据对神经元网络进行前期训练的前提下,该系统的识别准确率达到了99.5%以上。本系统具有一定的可行性,对未来智慧医疗的系统开发有实践意义。     

使用人工神经网络预测内部风速系数

给出了内部风速系数的定义，基于其涉及因素的多样性、复杂性，采用人工神经元网络的方法对它进行了指标建模研究，仿真结果表明模型有效地克服了传统模型化方法的缺陷，具有较高的预测精度。     

基于模式–遗传–神经网络的流变参数反演

介绍了一种岩石流变多参数反演的智能方法。该方法把遗传算法和神经网络有机结合起来，并在遗传算法中嵌入模式搜索加速优化进程；该方法基于均匀设计获得的样本进行神经网络学习，用模式–遗传–神经网络进行岩体流变参数的最优辩识。该方法用经过最佳预测学习算法训练的神经网络来表达岩体流变参数和位移之间的映射关系，除具有一般遗传算法的优点外，还提高了参数反演的精度，节省了参数反演的计算时间，使得某些原来用传统优化方法在时间上几乎无法进行的参数反演如今变为可能，并用工程实例验证了此方法的可行性与优越性。     

基于小波变换遗传过程神经元网络的交通流预测

针对短时交通流时间序列的缺点,应用小波变换理论,将含有综合信息的时间序列分离为低频确定信号和高频干扰信号,用遗传过程神经元网络分别进行预测,得到了原时间序列的实际预测结果,通过实测数据验证表明,该预测方法具有较好的预测精度。     

基于改进的RBF神经网络的热轧板冲击功预报模型

为了对Q345B中厚板的冲击吸收功进行预报并指导生产,采用RBF网络预测冲击吸收功与化学成分、工艺参数、屈服强度及抗拉强度等因素间的关系.针对RBF神经网络的不足,采用改进的遗传算法优化RBF网络结构和权值参数,并建立了基于改进遗传算法的RBF神经冲击功预测模型.实验结果表明,用这种改进的遗传算法优化后的神经网络算法是有效的、可行的.     

冷轧卷取机张力自适应控制器的研制

针对现有的张力控制器采有PID参数调整,在工艺参数变化时,引起张力波动问题,研制了基于单片机和神经网络的PID参数自适应算法的张力控制器。通过Matlab软件进行仿真,验证了张力自适应控制技术能够有效消除系统张力误差。     

基于单神经元和前馈补偿的电动加载复合控制

针对飞机舵机电动加载系统的力矩跟踪和干扰抑制的优化问题,提出一种基于单神经元和扰动前馈抑制的电动加载复合控制方法。首先利用改进的粒子群算法调整单神经元PID控制器的参数和系数K,然后对舵机角位移进行前馈补偿来抑制多余力矩,以减小舵机位置干扰对系统的影响;最后对电动加载复合控制系统进行仿真。仿真结果表明,系统的抗干扰能力及加载精度得到进一步提高,证明了该复合控制方法在理论上的可行性。     

永磁直线同步电机的PIDNN控制北大核心

针对以永磁直线同步电机为执行机构的驱动系统容易受到端部效应等周期性扰动影响的问题,采用了基于PID神经元网络(proportional-integral-derivative neural network,PIDNN)的控制方法,通过定义具有比例、积分、微分功能的神经元,从而将PID控制规律融合进神经元网络中,有效地抑制端部效应、纹波推力、齿槽力和摩擦力对系统的干扰。仿真实验表明,与传统的PID控制相比,PIDNN控制提高了系统的鲁棒性和跟踪性,更加实用有效。     

基于专家知识融入的模糊神经元网络结构及在镗削颤振判 …

在制造系统状态监控中采用神经元网络作为模式识别器，已被证明是一种行之有效的方法。但是，由于制造系统中的加工情况复杂、包含的信息量大，所以神经元网络的学习需要大量样本才能保证它的准确性。本文模糊集理论，将专家知识转化为神经元网络可直接处理的模糊ｉｆ－ｔｈｅｎ规则，利用专家知识作为典型样本对模糊神经元网络进行训练，这样节省了大量获取样本的时间，同时又不降低网络的准确性。将之应用于镗削加工中颤振的判别，     

样条过程神经元网络在测井岩性识别中的应用研究

测井岩性识别是油气勘探中十分重要的基础工作,可为测井解释选择正确解释方法和解释参数提供依据.本文利用过程神经元网络建立了复杂的非线性岩性辨识模型;同时,为了提高对实际问题求解的适应性和算法执行效率,开发了一种基于样条函数拟合的过程神经元网络学习算法.最后,结合海拉尔盆地贝16区块的实际测井资料进行岩性识别.实验结果表明,基于样条过程神经元网络的岩性辨识方法避免了采用传统BP神经网络预先建立复杂的数学或物理模型来提取小层测井曲线形态模式特征的过程,有效改善了网络的运算速度和对实际数据的抗扰性,具有较好的稳定性和泛化能力.