四层神经网络设计零件曲面

作者建立了四层神经网络及算法过程，提出通过人工神经网络的学习、训练，建立零件曲面的数学模型和拟合曲面的方法。并给出了零件曲面设计实例，与三层神经网络比较，大大加快他网络的学习训练效率。     

基于径向基函数神经网络的GPS高程转换方法

针对GPS高程与正常高程的转换问题，给出了基于径向基函数（Radial Basis Function，RBF）神经网络的模型。该模型隐含层选用Gauss函数作为基函数，学习算法采用自组织选取中心法策略。用实际观测数据进行了试验和仿真，结果表明，用RBF神经网络转换GPS高程的精度优于最小二乘法。对RBF神经网络方法和反向传播（Back-Propagation，BP）神经网络方法转换GPS高程的精度进行了比较，虽然两种方法的结果相近，但RBF神经网络方法在学习速度方面远比BP神经网络方法快。由此可见，RBF神经网络方法用于转换GPS高程是可行和有效的。     

补偿模糊神经网络对电动汽车续驶里程的应用

回顾了模糊逻辑系统和神经网络技术各自的特点，在讲述二者融合的基础上，引入了一种具有快速学习算法的模糊神经网络，介绍了该算法的基本思想，关键问题，并通过电动汽车研究应用中的实例进行了验证，最后对使用该算法进行模糊故障检测。     

浅析BP神经网络算法的改进和优化

本文简要介绍了BP神经网络的缺点,着重强调了BP神经网络的算法改进,并且,利用Matlab仿真了各种改进算法的学习速度,从结果看改进后的BP神经网络能较好地解决针BP算法学习速度慢的缺点。     

非线性辨识中的一种模糊神经网

基于ＢＰ算法，提出１种用于非线性辨识中的模糊神经网络ＦＢＰ，并用ＦＢＰ对非线性的随机函数进行了学习。显然ＦＢＰ算法比ＢＰ算法跟踪精度高，且学习速度有所提高。     

基于DE-BP神经网络的桥梁损伤评估

在对桥梁损伤评估系统模型的基础上,提出了基于DE-BP神经网络的损伤评估方法。该方法引入差异演化算法(DE算法),通过对已有的桥梁损伤评估实例对神经网络进行训练,可使神经网络较好地表达评估结果与评价因素之间的关系。在网络学习过程中充分引入DE算法,避免了BP神经网络容易陷入局部最值及收敛慢的缺点,经该方法训练好的网络可以对实际桥梁进行评估。     

基于BP网络的电力系统暂态稳定性评估

本文对基于BP网络的暂态稳定进行了分析.对6机22节点系统,运用BP网络的三种算法实现对神经网络的学习和测试,根据仿真结果比较三种算法的特点.仿真结果表明,三种算法中,标准BP算法学习效果较低,快速BP算法学习效果一般,而算法学习效果最好,学习时间短,精度高,有较强的推广能力.     

基于非完备贝叶斯网络的车型识别方法

针对BP神经网络等车型识别算法不能很好地适应我国车型复杂状况，分析了贝叶斯网络（IDS-BN）算法中完备数据集的问题，提出了基于非完备数据集的贝叶斯网络车型识别方法和车型识别系统结构模块，基于该模块拟定了车型特征变量．构建了车型识别网络模型，并给出了模型参数学习、车型分类器等算法，包括MDL评分和贪婪搜索的结构学习、EM参数学习、随机模拟采样推理等。实验表明，该方法识别率较高，鲁棒性好，满足我国车型识别的实际要求。     

BP神经网络汽车故障诊断专家系统

本文介绍了一个基于ＢＰ神经网络模型的汽车发动机故障诊断专家系统，阐述了该系统的基本原理，ＢＰ神经网络的结构，学习算法，并应用该模型对汽车发动机的几种典型故障进行了微机仿真运行。诊断结果表明，该系统诊断精度高，结论可靠。     

自由流车速影响因素定量分析神经网络法

详细地探讨路段自由流车速定量分析的一种新的算法－BP（Back Propagation）神经网络法，并与多元线性回归法相比较，认为BP神经网络法优于多元线性回归法。为了解决数据不足问题，还用多元线性回归法为神经网络法提供了典型学习模式对。     

遗传策略粒子群优化的粗糙集神经网络在崩塌落石灾害风险评估中的应用

本文提出一种运用遗传策略粒子群优化的粗糙集神经网络的崩塌落石风险评估智能方法。首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用遗传策略对粒子群优化算法进行改良,用该改良后的优化方法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对崩塌落石风险进行评估。仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了预测精度。     

浅析目标检测算法及其在自动驾驶场景中的应用

基于深度学习的目标检测算法在自动驾驶领域的比重日益上升。文章首先介绍了基于深度学习的卷积神经网络和目标检测算法的发展过程,其中简要介绍了几种经典卷积神经网络模型的结构特点;然后详细介绍了以R-CNN系列为代表的基于候选框的two-stage算法和以YOLO系列为代表的基于回归的one-stage算法,简要介绍了这两大类算法各自的结构和优缺点,最后总结了目标检测算法在自动驾驶场景中应用时比较常用的几种优化方法和研究趋势。     

基于改进BP神经网络的柴油机故障诊断研究

根据柴油发动机故障与征兆之间关系来建立一种采用BP算法前馈型神经网络结构,然而采用标准BP算法对神经网络训练进行训练,但存在收敛速度慢等问题。因此,又采用添加动量项和自适应学习速率两种方法对标准BP算法进行改进,并将改进的BP算法运用于神经网络训练,结果表明改进的BP神经网络能够改善收敛速度慢的缺点,而且预测故障效果较好。     

非线性汽车行驶平顺性模型的神经网络优化

本文运用离散生成随机路面输入的方法，在时城上对11自由度非线性整车行驶平顺性模型进行了分析研究，并在此 以径向基函数神经网络对悬架参数进行了优化计算。模型及算法合理准确，为汽车行驶平顺性的进一步研究提供了有价值的参考方法。     

基于神经网络的隧道行车车牌识别技术研究

针对隧道环境下高速行车的车牌识别问题,提出使用红外摄像机采集监控视频,背景重建法进行车辆信息检测;采用Canny边缘定位算子与形态学结合的方法确定图片的车牌区域、投影法和固定边界法相结合的方法进行字符分割、引入特征提取与BP神经网络相结合进行字符的识别,提取车牌信息;并通过改进BP神经网络的学习方法来提高字符的识别速度。项目研究运用Matlab进行了大量车牌图片的样本实验,以验证此算法车牌识别的速度、准确率。     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

基于机器视觉的隧道衬砌表观病害检测技术研究进展

针对隧道衬砌表观裂缝病害的智能化检测算法问题,梳理了自动检测算法的处理流程,介绍了3种裂缝自动检测的方法:图像处理、传统机器学习、深度学习算法,并分析了3种方法的适用范围及优缺点,重点讨论了深度学习算法,它从根本上改变了裂纹检测的方式,大幅提高了检测性能。对基于分类、目标检测和分割的深度学习神经网络在裂纹检测中的应用进行了综述和比较,展望了该算法在裂缝自动检测的应用前景。     

基于多分类器--并行计算的车牌识别算法

针对已有车牌识别中技术存在的不足，提出了一种多分类器——模板匹配和神经网络并行计算的识别算法，这一方法对于汉字、英文和数字混杂、数字的识别，分别采用粗分类和面向汉字的双进程计算方法、面向字母的双进程计算方法、简单的数字神经网络方法。这些方法的采用可以缩小检索范围，充分利用模板匹配和神经网络算法各自的识别优点，提高车牌字符识别准确率，并进一步提高运算速度。     

车用汽油机过渡工况进气流量预测研究

提出了一种基于混合遗传算法的径向基神经网络(HGARBF)的车用汽油机过渡工况进气流量预测模型。首先设计了一种新的混合遗传算法,利用梯度算法每次迭代得到的结果来改进遗传算法的群体,将遗传算法的最优个体与梯度算法的迭代解相比较,选择其中的最优点作为梯度算法下一步迭代的起始点,运用该混合遗传算法进行径向基神经网络参数的优化,改善径向基神经网络不同初始参数对其性能的影响;然后建立了基于HGARBF网络的过渡工况进气流量的预测模型。仿真结果表明,该预测模型优于经典的进气流量平均值模型,为精确及时测试汽油机进气流量提供了新的方法。     

基于改进BP网交通流动态时序预测算法的研究

针对城市交通“智能运输系统”，提出了基于改进BP神经网络理论模型的路面交通流动态时序的预测算法，在BP算法的自适应学习率，在动量法优化网络收敛性等方面，进行了深入研究，并改进了基本BP算法中的收敛速度慢和易陷入局部最小点等问题，章给出了基于改进BP算法的交通流态时序的预测算法仿真实验，结果验证了该算法的可行性和先进性，在交通流时序预测方面有一定的应用价值。