单幅图像的超分辨率重建方法

在分析单幅图像超分辨率重建问题的基础上，建立一种新的图像退化模型，并分析了提出的模型和经典图像恢复中模型的异同点，然后分析了算法实施步骤，针对提出的分层剥离算法，采用级联模板运算方法，从而简化了方程计算的复杂度．试验结果表明：提出的一种基于剥离方法的单幅图像超分辨率方法是有效可行的．     

基于T-S模糊模型的非线性系统辨识

研究了非线性多变量系统的T-S模糊辨识问题．提出一种利用测得的输入输出数据来计算非线性动态模糊模型的方法．使用模糊聚类简化了T-S模糊规则及前提参数的生成，采用加权最小二乘算法得出结论参数．将该辨识器用于一类非线性系统的模糊辨识，并与模糊神经网络的辨识结果进行了比较，验证了所提方法的有效性．     

一种提高DCT变换编码性能的神经网络方法

提出了一种提高ＤＣＴ变换编码性能的神经网络方法，内容包括：ＤＣＴ变换编码的失真分析、神经网络模型、网络学习算法和计算模型结果。     

神经网络方法在数据挖掘中的应用

通过分析当前一些数据挖掘方法的局限性，介绍一种基于关系数据库的数据挖掘方法——神经网络方法，通过对数据库中数据样本的学习，自动发现隐含的大量知识．文中给出了神经网络方法的学习模型和算法，并通过举例来说明此方法．在本文最后，也提出了神经网络方法在数据挖掘中存在的一些问题．     

基于混合遗传算法优化的舵减摇模糊控制系统

将混合遗传算法应用于船舶舵阻摇，充分发挥了模糊逻辑、神经网络和遗传算法各自的优势．采用模糊系统的自适应变节点的神经网络学习模糊神经网络参数，从样本数据中获取模糊控制规则，弥补了各自的不足．仿真结果表明上述算法为改进船舶舵阻摇效果提供了一个有效途径．     

二进制补码两位乘算法分析

在计算机二进制补码一位乘法的基础上，依据校正法和Boobt算法的基本公式，推导出补码两位乘法的两种算法公式，根据公式得到补码两位乘法的操作规则，并且对推导出的两种算法进行了分析，最后给出两种算法的计算举例。     

基于改进的动态因子多层前馈网络学习算法

分析了学习率对BP神经网络中存在的典型问题的影响，提出了一种通过调整学习率改进BP神经网络性能的动态适应算法。仿真结果表明，此BP算法在学习速度方面有较大提高。     

基于单神经元智能PID控制的柴油机数字式电子调速系统

提出一种以经典ＰＩＤ为基础，用单神经元加以实现的智能ＰＩＤ控制算法，该算法既保留了神经网络控制的优点，又简单易行，将其应用于柴油数字式电子调速系统仿真结果表明，该控制算法不仅动态性能优良，而且具有较好的适应性和鲁棒性，为研究柴油机数字式电子调速系统的智能控制提供了一条新途径。     

一种神经网络自适应PID控制器

采用神经网络与模糊逻辑相结合的方式，构造了一种自适应ＰＩＤ控制器。该控制器用具有改进学习算法的神经网络作ＰＩＤ参数调节器，用模糊神经网络对被控对象进行模型辨识，综合了神经网络，模糊控制和ＰＩＤ控制的优点。结构简单，易于实现，且适应环境能力强。     

基于边权重图神经网络的一阶逻辑前提选择

为提高自动定理证明器在大规模问题中证明问题的能力，前提选择任务应运而生. 由于公式图的有向性，主流的图神经网络框架只能单向地对节点进行更新，且无法编码公式图中子节点间的顺序. 针对以上问题，提出了带有边类型的双向公式图表示方法，并提出了一种基于边权重的图神经网络（edge-weight-based graph neural network，EW-GNN）模型用于编码一阶逻辑公式. 该模型首先利用相连节点的信息来更新对应边类型的特征表示，随后利用更新后的边类型特征计算邻接节点对中心节点的权重，最后利用邻接节点的信息双向地对中心节点进行更新. 实验比较分析表明:基于边权重的图神经网络模型在前提选择任务中表现得更加优越，其在相同的测试集上比当前最优模型的分类准确率高了约1%.