基于神经网络的传感器故障诊断仿真

针对现代工业大型复杂系统的不确定性使得对其进行建模比较困难的特点，提出了一种用神经网络进行传感器故障诊断的方法．以凝汽式汽轮机调速系统中的转速传感器为例进行了传感器故障诊断研究，给出了仿真实现结果，并加以分析．仿真结果表明，所提出的利用神经网络进行传感器的故障诊断的方法具有可行性．     

Branch-Activated Multi-Domain Convolutional Neural Network for Visual Tracking

Convolutional neural networks (CNNs) have been applied in state-of-the-art visual tracking tasks to represent the target. However, most existing algorithms treat visual tracking as an object-specific task. Therefore, the model needs to be retrained for different test video sequences. We propose a branch-activated multi-domain convolutional neural network (BAMDCNN). In contrast to most existing trackers based on CNNs which require frequent online training, BAMDCNN only needs offline training and online fine-tuning. Specifically, BAMDCNN exploits category-specific features that are more robust against variations. To allow for learning category-specific information, we introduce a group algorithm and a branch activation method. Experimental results on challenging benchmark show that the proposed algorithm outperforms other state-of-the-art methods. What’s more, compared with CNN based trackers, BAMDCNN increases tracking speed.     

Word Embedding Bootstrapped Deep Active Learning Method to Information Extraction on Chinese Electronic Medical Record

Electronic medical record (EMR) containing rich biomedical information has a great potential in disease diagnosis and biomedical research.However,the EMR inform...     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

�շ峵����ŵĶ�̬���ڶ���ģ���о�

从编组站驼峰解体作业中出现的问题出发,在深入分析重载大轴重货车车场内超速连挂和轻载车辆逆向大风条件下溜放不到位这一矛盾问题的基础上,指出其根本原因是驼峰自动化系统的出口定速模型在车组溜放出口定速中单位基本阻力取值不合理,和没有考虑车组溜放时环境条件变化. 基于此,提出了单位合阻力的概念,根据车组溜放过程中的能量守恒定律,建立了间隔制动出口动态定速模型. 利用模糊逻辑的不确定信息处理能力,兼以神经网络的自学习能力,建立了基于模糊神经网络的目的制动出口定速模型. 最后,通过驼峰仿真实验,验证了模型的有效性,为驼峰车组溜放速度控制提供了理论参考.     

粗糙集与神经网络在发动机故障诊断中的融合应用

电喷发动机运行的状态信息众多而复杂,故障与状态信息的关系模糊而不确定,如何从复杂的多元信息中获取有用部分并加以利用是电喷发动机故障诊断的关键.本文应用粗糙集理论对冗余信息进行约简,得到更为简明的诊断规则,将约简结果与神经网络相结合,建立了故障诊断系统.网络的训练对比结果表明,粗糙集理论的约简处理简化了神经网络结构,提高了网络的训练效率;通过实例验证了粗糙集理论与神经网络相结合进行电喷发动机故障诊断的可行性.     

基于UML的电子病案管理系统设计与实现

电子病案管理系统是医院管理信息系统的重要组成部分。分析了电子病案的描述结构,对电子病案系统的功能进行划分,采用统一建模语言UML对系统进行建模,采用客户机/服务器体系结构对系统进行了开发。这是对电子病案的探索与实践,也是对电子病案系统将来真正意义上的临床应用做的尝试。     

NEURAL NETWORKS PREDICTION FOR SEISMIC RESPONSE OF STRUCTURE UNDER THE LEVENBERG-MARQUARDT ALGORITHM

Activecontrolandsemi activecontrolarenewapproachestoseismichazardmitigationofstructure .Whileinactivecontrolorsemi activecontrol ,mea surementofstructurestate ,transmissionandcalcu lationofsignalandinflictionofcontrolforcerequiretime ,moreover ,controlforceiscalculatedaccordingtotheseismicresponseofstructureinlastepoch ,sothecontrolforceinactivecontrolorsemi activecontrolmaybedistortedduetotime delay .Suchdistortionusuallyincreasestheseismicresponseofstructureandmakesstructuremoredangerous[1-3…     

基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。     

Phase transitions relating to the pozzolanic activity of electrolytic manganese residue during calcination

Electrolytic manganese residue（EMR） is generated from electrolytic manganese metal（EMM） industry, and its disposal is currently a serious problem in China.The EMR were calcined in the interval 100—900℃to enhance their pozzolanic activity and characterized by the differential thermal analysis-thermogravimetry（TGDTA）, X-ray diffraction（XRD）,infra-red（IR） and chemical analysis techniques with the aim to correlate phase transitions and structural features with the pozzolanic activity of calcined EMR.Prom the phase analysis and compressive strength results,it is found that the EMR calcined within 700—800℃had the best pozzolanic activity due to the decomposition of poorly-crystallized CaSO₄ under the reducing ambient created by the decomposition of（NH₄）₂SO₄.The appearance of reactive CaO mainly contributes to the good pozzolanic activity of EMR calcined within 700—800℃.The crystallinity of Mn₃CO₄ increases leading an unfavourable effect on the pozzolanic behaviour of EMR calcined at 900℃.The developed pozzolanic material containing 30%（mass fraction） EMR possesses compressive strength properties at a level similar to 42.5^# normal Portland cement,in the range of 41.5—50.5 MPa.Besides,leaching results show that EMR blend cement pastes have excellent effect on the solidification of heavy metals.     

基于AMFNN的非线性噪声消除器

提出基于加乘性模糊神经网络(AMFNN)的非线性噪声消除器，讨论了AMFNN模型和学习算法及其通用逼近性．该消除器利用AMFNN逼近噪声，然后从测量信号中消去噪声即得到有用信号．该噪声消除器具有神经网络分布式并行信息处理能力、较好的容错性和鲁棒性以及除噪性能．     

神经网络在车辆半主动控制中的应用

针对车辆半主动悬挂模型的非线性特性，研究了采用神经网络的自适应控制在车辆悬挂半主动控制中的应用，设计了采用前馈神经网络的辩识器和控制器，对控制器网络采用的学习规则进行了分析。仿真计算表明，采用神经网络自适应控制方法能有效改善车辆的平稳性，采用的神经网络辩识器和控制器的改进BP算法是有效的。     

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%.     

基于模糊神经网络的结合部匝道控制方法研究

针对高速公路与关联城市快速路（简称结合部）路段拥堵日益严重的现状,从匝道控制影响要素分析入手,基于模糊控制和神经网络思想,本文提出了以主线交通状态与期望状态差值和匝道交通状态为输入变量,以匝道调节率为输出变量的模糊控制方法. 同时针对结合部路网互通式立交设计的实际情况,分单匝道控制和双匝道控制两种情况进行了分析,提出了相应的匝道控制方法,并建立了5层模糊神经网络控制模型. 最后以北京京津塘高速公路与北京三环和四环关联城市快速路为案例,对建立的模型进行效果验证,结果证明了所建立方法的有效性.     

基于支持向量机和神经网络的供应商选择方法比较

供应商选择是供应链管理的重要内容,近年来吸引大量学者进行研究,其中大量文献显示神经网络方法比传统统计方法有更大的优越性。然而神经网络具有固有的缺陷,如最优解的局部性、泛化能力低、训练样本大和无法控制收敛等。引用新的机器学习技术---支持向量机(support vector machines,SVM),用于选择理想供应商,并与BP神经网络算法相比较。实证表明,支持向量机算法比神经网络算法计算精确。     

Term Structure of Interest Rates Based on Artificial Neural Network

In light of the nonlinear approaching capability of artificial neural networks （ ANN）, the term structure of interest rates is predicted using The generalized regression neural network （GRNN） and back propagation （BP） neural networks models. The prediction performance is measured with US interest rate data. Then, RBF and BP models are compared with Vasicek＇s model and Cox-Ingersoll-Ross （CIR） model. The comparison reveals that neural network models outperform Vasicek＇s model and CIR model, which are more precise and closer to the real market situation.     

广义Hopfield神经网络的绝对指数稳定性

研究了一类广义神经网络系统平衡点的存在性、唯一性和绝对指数稳定性.这类神经网络包含Hopfield神经网络和细胞型神经网络,不要求激活函数可微和有界.应用拓扑理论,得到了广义Hopfield神经网络平衡点的存在性和唯一性的充分必要条件;利用矩阵的性质,通过构造Lurie型Liapunov函数,得到了广义Hopfield神经网络绝对指数稳定的充分条件以及几类特殊神经网络绝对指数稳定的充分必要条件.     

关于广义同余神经网络结构与算法的研究

讨论了一种新的神经网络－广义同余神经网络（ＧＣＮＮ）网络中的所有神经细胞以同余的形式被激活,并阐述了它的结构,学习规则的一种算法,模拟结果表明,这种网络在取样点上具有满意的通用特性,由于该神经网络易于操作和实行,有必要就相关理论及其应用作进一步的研究。     

On the algorithms of adaptive neural network-based speed control of switched reluctance machines

AbstractA switched reluctance machine(SRM)drive is a time-varying,strongly nonlinear system.High performance control can no longer be achieved by using linear techniques.This paper describes the back-propagation (BP)neural network-based proportional-integral-derivative(PID)speed control of the SRM.It’s the interest of this paper to explore the utilization of the prior empirical knowledge as guidance in the initializing and training of the neural networks.The purpose is to make the networks less sensitive on the initial weights.Two modified algorithms are presented and simulation experiments show some interesting findings about their control effects and their corresponding sensitivity on the initial weights of the networks.     

优化设计求解的遗传-神经网络新算法研究

提出并研究了一种优化设计求解的遗传神经网络新算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度