连续双向联想记忆模型的稳定性分析

对于连续型Ｈｏｐｆｉｅｌｄ模型的平衡态特征，目前人们已经得到了很多富有意义的成果，本文说明，连续Ｈｏｐｆｉｅｌｄ模型的大部分结论都可以推广到连续双向联想记忆模型，我们重点讨论了平衡态条件、渐近稳定性以及围绕一稳定平衡点的吸引域等问题，所得到的结论对于ＢＡＭ的设计和应用都是很有意义的。     

基于ANN实现的供应需求预测方法

基于人工神经网络技术，建立了后勤供应需求的网络预测方法，并以某区域高校后勤保障需求为例，给出了后勤供应需求预测的步骤与实现过程。     

虚拟产品方案设计RQ评估模型关键技术研究

产品设计方案RQ评价模型是虚拟原型逼真设计模型实现的重要模块之一,建立RQ评估模型的目的就是要寻求一种满足用户需求的最佳设计方案,本文对用户满意度的计算模型进行了研究,建立了基于神经网络(ANN)的设计方案RQ评估模型,对设计方案的RQ进行评估,该模型已应用于仪表新产品开发决策支持系统中。     

基于模糊神经网络对经济的聚类分析

在现实生活中具有同等人力资本的劳动者在不同的生产力环境下的经济贡献率是不同的 ,有时甚至不可比较的。利用人工神经网络 (SOM网络 ) ,通过 Matlab语言编程 ,根据技术进步增长率对整个经济进行模式分类。分类的结果是大致把 2 9个省市分为 6个类 ,反映了各地区的经济与技术进步增长率情况     

人工神经网络在组织网络化发展评价中的应用*

通过对给定样本模式的学习,构建的三层神经网络模型能够获取评价专家的经验、知识、主观判断以及对目标重要性的权重协调能力,较好地保证评价结果的客观性.实例证明,人工神经网络方法应用于组织网络化发展评价是可行和有效的.     

基于生物启发计算的警用流动人口分析系统

目前对流动人口的管理仅停留在数据查询比对和简单统计上,缺少对数据的深层次分析,难以对决策指挥提供支持。针对流动人口的分析问题,提出了构建一个基于生物启发计算的智能分析系统,用于发现流动人口中各类人员的流动模式以及流动人口的趋势性问题,找出异常的流动信息和模式。该系统综合运用了前沿的生物启发计算技术——基于多层染色体基因表达式编程算法、重叠基因表达进化算法、基于概念相似度神经网络分类模型和层次距离计算的聚类算法搭建了一个警用流动人口的分析平台。同时根据实际需求,提出了一种新的基于智能分析结果的分级报警模型。实验表明系统具有较高的性能和实用性。     

机器人视觉伺服综述

介绍了机器人视觉伺服系统的概念及历史背景,系统介绍了视觉伺服系统的分类方法,重点论述了基于位置和基于图像的视觉伺服系统.对摄像机校正进行了介绍,并详细阐述了智能算法在机器人视觉伺服系统中的应用.最后,对机器人视觉前沿问题做了概括,并指出机器人视觉伺服系统的发展方向.     

用人工神经网络预测混杂复合材料混杂效应

本研究建立一个二输入单输出的BP人工神经网络模型，并用QBASIC语言编制了相应的软件。利用该神经网络模型对混杂效应与混杂比及分散度系数间关系进行了预测。研究结果表明，网络经过61223次的迭代，预潮值误差为0．12％，具有很高的预测精度，可用于混杂复合材料混杂效应的预测。     

材料科学与工程中应用ANN的前景

介绍了ANN的基本概念和内涵及其主要用途，如在材料学科中的数据处理，尤其是陶瓷材料设计和材料检测中的应用前景。指出在现有研究的水平上，采用ANN解决材料科学与工程实际问题时的优点和局限性。     

Computer aided detection system for micro calcifications in digital mammograms

Breast cancer continues to be a significant public health problem in the world. Early detection is the key for improving breast cancer prognosis. Mammogram breast X-ray is considered the most reliable method in early detection of breast cancer. However, it is difficult for radiologists to provide both accurate and uniform evaluation for the enormous mammograms generated in widespread screening. Micro calcification clusters (MCCs) and masses are the two most important signs for the breast cancer, and their automated detection is very valuable for early breast cancer diagnosis. The main objective is to discuss the computer-aided detection system that has been proposed to assist the radiologists in detecting the specific abnormalities and improving the diagnostic accuracy in making the diagnostic decisions by applying techniques splits into three-steps procedure beginning with enhancement by using Histogram equalization (HE) and Morphological Enhancement, followed by segmentation based on Otsu's threshold the region of interest for the identification of micro calcifications and mass lesions, and at last classification stage, which classify between normal and micro calcifications ‘patterns and then classify between benign and malignant micro calcifications. In classification stage; three methods were used, the voting K-Nearest Neighbor classifier (K-NN) with prediction accuracy of 73%, Support Vector Machine classifier (SVM) with prediction accuracy of 83%, and Artificial Neural Network classifier (ANN) with prediction accuracy of 77%.