超级小型计算机在彩色显像管玻壳制造中的应用

安阳彩色显像管玻壳厂是国家“七五”计划彩电项目重点工程之一。它引进日本电气玻璃公司(NEG)的设备和技术,拥有两座玻璃池炉,五条玻壳制造生产线(两条锥线,三条屏线),年产玻壳四百万套,现有36cm、47cm、54cm平面直角三个规格。自1990年投产以来,已成为国家最大的专业化彩管玻壳厂。     

子波神经网络在光谱数据压缩与分类中的应用

利用子波神经网络并适当选取网络结构和子波基，实现了对化学物质红外光谱数据的压缩表达和分类，取得了令人满意的效果，说明子波神经网络在光谱处理方面有着较好的应用前景和优越性     

轻量化卷积神经网络在船舶分类中的应用

为权衡船舶分类模型的分类精度和模型大小,提出一种改进GhostNet-50的轻量化卷积神经网络AGNet对自制的船舶数据集进行分类。首先,提出一种融合非对称卷积的Ghost模块,用于提升AGNet卷积过程的特征提取能力;然后,结合瓶颈结构,设计一种非对称Ghost瓶颈模块,在维持模型表达能力的同时能进一步降低计算成本;最后,去除GhostNet-50中的一层1×1卷积,以降低整体模型的参数冗余。实验通过分类精度、参数量、计算量、推理速度等评价指标对所提方法进行多角度对比。实验结果中,AGNet模型在33个类别的测试集中精度达到了93.87%,模型参数量仅为0.72×10⁶,相比GhostNet-50压缩了46.67%,且精度提升了2.93个百分点。实验结果表明：AGNet在较低模型大小的前提下能达到更优的分类效果,可较好应用到船舶分类任务中。     

共轭梯度BP神经网络在模式分类问题中的应用

人工神经网络(artificial neural networks,ANN)是进行信息处理的一种数学模型,这种模型类似于大脑神经突触联接的结构.人工神经网络能够克服传统人工智能方法对于模式、语音识别、非结构化信息处理等方面的缺陷,成功应用于模式识别、智能控制、组合优化、预测等领域.为了解决BP神经网络收敛速度慢且极易掉入局部极小的问题,在梯度下降法的基础之上提出了共轭梯度法.     

神经网络在图像编码中的应用

神经网研究的再度兴起及其在图像编码中的应用，开辟了图像压缩的新途径。本文论述了用于图像编码的神经网络模型、算法、应用效果及进展，对该领域尚未解决的一些基本理论问题，如神经网络实现图像数据压缩的机理，基于神经网络图像编码方法的分类等进行了探讨。最后，展望了需要进一步研究的方向。     

基于LVQ神经网络集成的柴油机气门故障诊断

针对柴油机气门故障的诊断样本少和非线性数据特征等问题,文中提出了一种基于学刁向量量化（LVQ,LearningVectorquantization）神经网络集成的柴油机故障诊断方法,该方法通过使飘LVQ神经两络作为基础学习器．采用Bagging算法对LVQ神经网络分类器进行相对多数投票集成,并用LVQ神经网络．LVQ神经网络集成．BP神经网络和RBF神经网络等方法对柴油机气门故障诊断．对评价结果进行了分析和比较,LVQ神经网络集成对柴油机气门故障诊断的正确率高于其他神经网络,神经网络集成的柴油机气门故障诊断精度高于单个神经网络的精度.     

集成学习在短文本分类中的应用研究

为了进一步提高基于深度神经网络短文本分类性能,提出将集成学习方法应用于5种不同的神经网络文本分类器,即卷积神经网络、双向长短时记忆网络、卷积循环神经网络、循环卷积神经网络、分层注意力机制神经网络,分别对两种集成学习方法(Bagging,Stacking)进行了测试。实验结果表明:将多个神经网络短文本分类器进行集成的分类性能要优于单一文本分类模型;进一步两两集成的实验验证了单个模型对短文本分类性能的贡献率。     

用于不平衡节点分类的集成图神经网络模型

为解决图神经网络（GNN）上不平衡节点的分类问题,提出一种Bagging集成模型,该模型使用图卷积网络（GCN）作为基分类器。在该模型中,先对若干基分类器进行并行训练,然后使用多数投票的方式对这些基分类器的预测结果进行集成,最终完成分类任务。实验结果表明,该文提出的模型显著优于其他现有基线方法,验证了其在不平衡节点分类中的有效性。     

基于选择性集成径向基神经网络的来波方向估计

本文提出了一种基于选择性集成径向基函数神经网络(SE-RBFNN)的来波方向(DOA)估计方法,解决单个神经网络建模进行DOA估计精度低的问题。首先利用Bagging方法训练生成一定数量的RBFNN弱分类器,其估计精度低但泛化能力强;然后提出并运用等宽分箱—投票选择性集成方法剔除估计误差大的奇异值个体,优选部分RBFNN输出结果进行平均处理,从而获得了高精度的DOA估计。仿真结果表明了算法的有效性,相对单个RBFNN建模,构建的选择性集成模型能适应方向特征的变化,算法的来波估计精度显著提高。     

基于卷积神经网络的图像分类研究与应用

现阶段在开展目标检测工作时,当需要更换检测目标时就需要完成卷积神经网络的重新训练,导致在更换检测目标时投入更多的训练成本,花费更多的时间,降低了目标检测的准确率和效率。针对这种问题,提出了准确划分检测目标各个检测状态的种类,对输入的图像实时使用卷积神经网络图像分类模型完成图像分类,借助图像分类类别来完成检测目标状态判定。测试表明,这种方法能够满足检测目标快速更换的要求,能够极大提高检测目标的准确性,同时也在很大程度上降低了训练成本。     

模糊神经网络在变压器故障诊断中的应用

介绍了一种模糊神经网络，它利用神经网络强大的知识获取和模式分类能力以及模糊理论能有效处理不确定因素的特点，来解决变压器故障诊断中的复杂性和模糊性问题，从而提高诊断精度。     

SOM人工神经网络在客户分类中的应用

利用改进后的SOM(Self-Organizing Feature Map)网络与RFM(R:近度;F:频度;M:值度)客户分类指标相结合得到了不同的客户簇,然后根据客户簇来确定各类客户对于企业的重要程度,使企业根据客户的重要程度将正确的产品、服务、资源分配给不同的客户,从而为企业获得更多的利润.     

局域自适应子波高斯神经网络综合分类系统

本文提出了一种用于船舶噪声分类的局域自适应子波高斯神经网络综合分类系统。该系统融合了两种特征提取和分类方法,即自适应子波神经网络和自适应高斯神经网络分类器,并利用网络局域化使得系统具有追加学习的能力,通过对实际的三类船舶噪声进行分类识别,结果令人满意,证明了该方法的优越性和工程应用前景。     

神经网络在震相识别中的应用

设计了三阶段的三层BP神经网络时地震震相进行分类识别，系统将地震震相分为4类：远震T、区域性S、区域性P、噪声N；网络训练测试利用了STKA台站的200组数据，样本集和测试集各占100组(其中30个远震T波、20区域性P波、20区域性S波、30噪声N)，三阶段的平均识别效率分别为91％，93．8％，98％．实验证明，用神经网络时地震震相进行自动识别是可行的，可极大限度地减轻地震分析员的工作量。     

用于遥感图像分类的简化并行神经网络

本文通过分析遥感图像各类样本的分布特征，提出了一种适用于遥感图像分类的简化并行神经网络（PRNN）。该网络包括了多个彼此相似的原子网络，每一类样本通过一个或多个专门的原子网络作预处理，从而大大提高了整个网络的动态性。实验结果表明，简化并行神经网络（RPNN）能够并行复杂的遥感地物样本。并能够取得较高的分类精度。     

神经网络方法及其在通信信号处理中的应用

在介绍人工神经网络基本原理的基础上,结合通信信号处理应用实例,讨论了神经网络技术在非线性特征提取和信号识别分类中的应用.     

基于多通道结构的卷积神经网络在图像分类中的研究

为解决传统的卷积神经网络的卷积结构单一、分类精度不佳且模型参数和计算量较大等问题,本文对经典的传统网络Alexnet进行网络结构优化进行多通道改进,构建了Tra-net、Mynet v1、Mynet v2三条不同的网络。将三种不同的卷积神经网络在公开数据集Caltech256上进行识别性能测试,其中Mynet v2网络最高识别准确率可达59.56%,且模型缩小至25MB左右。实验结果表明改进后网络Mynet v1、Mynet v2的识别性能均优于传统的神经网络Tra-net,使用瓶颈结构卷积模块的网络在提高识别准确率的同时大幅度降低了网络模型参数。     

AdaBoost-NN在雷达信号识别中的应用

雷达信号识别是雷达侦察与对抗中的重要内容,也是其难点,现有的识别方法都不能取得让人非常满意的识别效果。AdaBoost即自适应Boosting算法,它可以提高任意给定分类器的分类精度。本文用AdaBoost提升神经网络并应用于雷达信号识别,并与几种现有的识别方法作了比较。实验结果表明,其识别准确率比文中所列的所有方法都要高。     

在存储溢出的情况下Hopield神经网络的混乱分类性质及其在密码学上的应用

通过计算机模拟，本文提出并分析了在存储溢出的情况下Ｈｏｐｆｉｅｌｄ神经网络一些混乱分类性质。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。