单通道实现三级Clipped模型的光学神经网络系统

提出并采用单通道光学系统实现了三级Clipped模型的神经网络,并用统计方法计算了三级Clipped模型的存储容量,和Clipped模型相比,三级Clippdd模型有更强的存储与寻址能力.     

多值神经网络改进模型及其光学实现

本文提出一种改进的光学神经网络模型,并利用空间光调制器PROM构成的光学系统实现了这种模型的联想记忆运算.计算机模拟和实验结果表明,改进模型提高了光学神经网络的识别能力,并在—定程度上提高了存贮容量.     

高容量的单极二值互连神经网络联想存储模型

由于光学固有的数值精度低,难以表示负值等弱点,用光学方法实现神经网络时存在着许多困难。针对光学的弱点,本文提出并建立了具有单极二值互连的适应截值模型,这一模型避开了光学实现时难以表示负值和互连精度差等弱点,计算机模拟及光学实现结果表明,这种单极互连神经网络模型同其他的单极模型相比具有高的存储容量及较强的寻址能力。     

光电混合实现全双极WTA模型的新方法

提出了一种光电混合实现全双极Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ（ＷＴＡ）神经网络模型的新方法，并应用于ＷＴＡ模式识别系统，给出了实验结果。该方法能更有效地利用系统空间，取阈方便，能够进行非存储模式的判断和容错性识别，使系统具有更大的存储容量和寻址能力。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统 BP 网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和 BP 网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景。     

基于遗传小波神经网络的机器人腕力传感器动态建模研究

提出一种基于改进遗传算法进化小波神经网络用于机器人腕力传感器动态建模的新方法,介绍了该算法原理.该方法利用腕力传感器的动态标定数据,用改进的遗传算法来优化小波神经网络结构和参数,建立腕力传感器的动态模型.结果表明,采用遗传小波神经网络进行腕力传感器动态建模,能克服误差反向传播算法存在易陷入局部极小点的缺点,网络的复杂度、收敛性和泛化能力得到了好的综合,建模的速度和精度得到提高. 关键词： 腕力传感器 动态建模 小波神经网络 遗传算法     

基于小波神经网络的光纤陀螺误差补偿方法

为了提高光纤陀螺的测量精度,提出了一种基于小波神经网络的误差补偿方法。首先使用小波分析中的Mallat分解算法提取出陀螺信号中的主趋势项,对其误差余项进行重构。然后将重构信号作为小波神经网络的目标输出,将原始陀螺信号作为训练样本。为了提高小波神经网络的训练速度同时防止其陷入局部极小值,采用增加动量因子和自适应调整学习速率的方法来改进训练方法。训练后建立的神经网络模型对光纤陀螺误差具有良好的估计能力。结果表明,经过小波神经网络方法补偿后,光纤陀螺的输出精度达到了0. 019 4°/s,光纤陀螺的测量性能得到了提高。     

一种改进型HOPFIELD神经网络模型及其单通道光学实现

提出一种改进型HOPFIELD神经网络模型。通过对存贮模式进行互补扩展,消除了存贮模式中0和1个数不等问题。利用扩展模式互补性和由扩展模式所形成的连接权的镜象对称性,在不增加神经元个数和连接权矩阵维数的情况下,提高了网络的存贮能力和容错能力。在此基础上设计了全正光学连接权矩阵,在单通道内实现了双极寻址,降低了光学系统的复杂性。     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

Adaptive Clipping for Neural Associative Memories

ＡｄａｐｔｉｖｅＣｌｉｐｐｉｎｇｆｏｒＮｅｕｒａｌＡｓｏｃｉａｔｉｖｅＭｅｍｏｒｉｅｓＣＨＡＮＧＳｈｅｎｇｊｉａｎｇＳＨＥＮＪｉｎｙｕａｎＳＯＮＧＺｈｕａｎｇＺＨＡＮＧＹａｎｘｉｎ（ＩｎｓｔｉｔｕｔｅｏｆＭｏｄｅｒｎＯｐｔｉｃｓ，ＮａｎｋａｉＵｎｉ...     

碳气凝胶储氢性能的理论研究

采用基于Metropolis蒙特卡罗和Reverse蒙特卡罗的杂化逆向蒙特卡罗方法,构建碳气凝胶的微孔结构模型,根据碳气凝胶的介孔尺寸构建介孔模型.设计不同形状、不同孔径的介孔模型,使用巨正则蒙特卡罗方法详细模拟在298 K和77 K下的储氢量.结果显示,在77 K时,所设计的碳气凝胶的储氢量几乎是室温下的4倍.在77 K,100 bar时,储氢量最高可达到11.12 wt%和45.68 g·L^-1.     

分区适应截值模型及其在交通标志识别中的应用

针对Ｈｏｐｆｉｅｌｄ网络模型在存储模式不满足０和１状态的均匀分布及数目对等的条件下存储容量及寻址能力下降的缺点，提出并用光束方向编码光学实现了三值（１，０，－１）互连的分区适应截值模型，并把这一模型应用到交通标志的识别中，结果表明该模型及光学系统有很好的稳定性。     

锂掺杂单壁氮化硼纳米管阵列储氢的理论研究

采用巨正则蒙特卡罗方法,研究锂掺杂对单壁氮化硼纳米管阵列(SWBNNTA-Single Walled Boron Nitride Nanotube Array)物理吸附储氢的影响.揭示锂掺杂是提高SWBNNTA储氢能力的有效手段,并给出最佳掺杂方案.计算结果表明,选择最佳的掺杂方案,并合理控制SWBNNTA的结构与尺寸,可使锂掺杂SWBNNTA在常温、中等压强下的物理吸附储氢量达到和超过美国能源部提出的2015年研究目标.     

Particle identification using artificial neural networks at BESⅢ

A multilayered perceptrons' neural network technique has been applied in the particle identification at BESⅢ. The networks are trained in each sub-detector level. The NN output of sub-detectors can be sent to a sequential network or be constructed as PDFs for a likelihood. Good muon-ID, electron-ID and hadron-ID are obtained from the networks by using the simulated Monte Carlo samples.     

北京谱仪III上利用神经网络方法进行粒子鉴别的研究

本文描述了一种多层感知器的神经网络系统在BESIII粒子鉴别技术中的应用。网络按照子探测器分别进行训练, 输出结果可以作为后续网络的输入或者可以为似然函数方法构建概率密度函数。蒙特卡罗模拟样本的检验结果表明, 利用神经网络方法可以在BESIII上获得较好的粒子鉴别效果。     

Particle Identification using Artificial Neural Networks at BESIII

A multilayered perceptrons neural network technique has been applied in the particle identification at BESIII. The networks are trained in each sub-detector level. The NN output of sub-detectors can be sent to a sequential network or be constructed as PDFs for a likelihood. Good muon-ID, electron-ID and hadron-ID are obtained from the networks by using the simulated Monte Carlo samples.     

基于Bagging 算法的神经网络在粒子鉴别中的应用

分析了神经网络方法和bagging 算法在实验高能物理和核物理数据分析中的应用现状。分别对神经网络方法和bagging 算法的基本原理进行了介绍。以蒙特卡罗产生器产生的夸克胶子喷注样本为例,详细讨论了神经网络方法以及bagging 算法与神经网络结合对粒子鉴别中信号和背景区分问题的应用过程,并对结果进行了讨论和分析。实验结果表明,应用bagging 算法后,神经网络能够较大幅度地提高实验高能物理和核物理数据分析中粒子鉴别的精度,以及能够得到较高的信噪比。The paper presents the application of neural network and bagging algorithm in experimental high-energy physics and nuclear physics data analysis. Paper also introduces the basic principles of neural network method and bagging algorithm. We use the data samples of quark-gluon jets, which are generated by Monte Carlo generator, to solve the problem of discriminating signal events and background events by the combined algorithm of bagging algorithm and neural network. Experimental results show that, to apply bagging algorithm, neural networks can greatly improve the accuracy of the identification of particles in the experiments of high energy physics and nuclear physical data analysis,and also obtains a larger SNR (Signal to Noise Ratio).     

Monte Carlo study on the low momentum μ-π identification of the BESⅢ EM calorimeter

The BESⅢ detector has a high-resolution electromagnetic calorimeter which can be used for low momentum μ-π identification.Based on Monte Carlo simulations, μ-π separation was studied.A multilayer perceptron neural network making use of the defined variables was used to do the identification and a good μ-π separation result was obtained.     

H2的自由扩散和吸附状态的对比研究

运用巨正则Monte Carlo方法, 模拟了H₂在自由扩散状态下及碳纳米管吸附状态下的分布, 对H₂的自由扩散和吸附状态进行了对比研究. 研究表明: 77 K和2 MPa下, (30, 30)扶手椅型碳纳米管质量储氢密度为3.74%, 77 K和10 MPa下, 质量储氢密度为7.4%. 吸附状态的H₂分子主要汇聚在碳纳米管内外两个壁面. 关键词： 储氢 碳纳米管 巨正则Monte Carlo