基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高,以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题,本文提出了一种基于级联卷积神经网络（Convolutional Neural Network,CNN）和磁共振图像的前列腺癌（Prostate Cancer,PCa）自动分类诊断方法,该网络以Faster-RCNN作为前网络,对前列腺区域进行提取分割,用于排除前列腺附近组织器官的干扰;以基于ResNet改进的网络结构CNN40_bottleneck作为后网络,用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成,其中使用批量标准化（Batch Normalization,BN）、全局平均池化（Global Average Pooling,GAP）进行优化.实验结果证明,本文方法对前列腺癌诊断结果较好,而且缩减了训练时间和参数量,有效降低了训练成本.     

人工神经网络用于锕系离子An3+水解常数pK1预测研究

０引言水解常数是金属离子水溶液化学的基础数据，对于研究水溶液中离子的状态以及进一步研究其在水溶液中的其它化学行为是必不可少的。一般金属离子（包括镧系金属离子）的水解常数数据相对较为完善，对它们水解的规律性也有不少研究，但锕系金属离子的水解常数数据迄今较缺乏，特别是重锕系的水解常数数据基本空缺犤１～５犦。这主要是因为锕系多为放射性元素，重锕系则基本是人工元素，被发现或合成较晚，即使通过核反应合成，量也往往极少（常以多少个原子个数计算），且半衰期大多很短，因而从获取样品到进行有关化学研究都相当困难。…     

近红外光谱-径向基神经网络在异烟肼片无损定量分析中的应用

应用异烟肼片粉末的近红外漫反射光谱数据分别结合偏最小二乘法(PLS)和径向基神经网络(RBFNN)建立定量分析模型,并用所建模型对预测集样品进行了预测,结果表明:应用RBFNN所建立的定量分析模型优于PLS模型,相关系数(r)值由0.99593提高到0.99734,交互验证均方根误差(RMSECV)值由0.00523下降到0.00423,预测均方根误差(RMSEP)值由0.00614下降到0.00501。     

人工神经网络光度法同时测定土壤中铅-镉-镍

研究了以4－（2－吡啶偶氮）－间苯二酚（PAR）为显色剂、十二烷基硫酸钠（SDS）为增敏剂、乙酸－乙酸钠为缓冲液，在水相中对铅、镉、镍进行同时测定。利用二次回归正交组合设计，对体系因子进行了优化。以苏州吴县水稻田土壤为研究对象，利用反向人工神经网络对其中铅、镉、镍的全量、有效态、活化态分别进行了同时测定，预测结果与AAS法所测结果基本一致。     

中药复杂组效关系的变结构神经网络辨识方法

针对中药复杂组效关系的辨识问题,研究了变结构多层前馈神经网络,推导出一种新型的变结构网络学习算法,成功地应用于中药川芎药效活性预测计算.该方法从一个规模较小的网络出发,当网络无法达到预定的学习精度时,自动增加隐含层神经元个数,并在原有学习结果的基础上确定新的网络参数,自适应地确定前馈神经网络结构,可用于处理复杂化学模式信息.计算机仿真实验结果表明,该方法能有效地确定多层前馈神经网络的最佳结构,提高网络学习效率和函数逼近精度,解决复杂非线性函数映射关系准确建模问题.     

人工神经网络研究进展及其在光谱分析中的应用

介绍最常用的人工神经网络——BP神经网络的原理、结构及其研究进展,评述了人工神经网络在光谱分析中的应用。     

用于药品质量快速检测的近红外光谱模糊神经元分类方法

针对非线性且分类界线模糊的药品质量类别快速测定难题, 将近红外光谱分析与模糊神经网络相结合, 经研究提出近红外光谱模糊神经网络分类方法, 用于计算辨析中药等化学组成复杂药品的近红外光谱模式类别, 从而快速评定这类药品的质量. 以参麦注射液为典型分析对象, 以鉴别其生产厂家这一模式分类问题为例, 考核本文方法, 结果表明, 其分类准确率达到94.2%, 明显优于经典的BP神经网络分类方法(84.6%), 可望用于中药产品质量类别的快速检测与评价.     

基于粗糙集模糊神经网络的爆破振动危害预测

为了探索一种能克服单因素预测的局限性、提高爆破振动危害预测精度的方法,基于粗糙集模糊神经网络理论,建立了综合考虑爆破振动幅值、主频率、主频率持续时间及结构动力特性等10个因素的民房破坏程度预测模型;用铜绿山矿爆破振动和民房破坏情况观测数据,对该模型进行了训练和测试,测试结果与现场观测结果具有良好的一致性。研究表明:粗糙集理论可将现场数据进行属性约简,简化输入变量,缩小神经网络的搜索空间,改善爆破振动的预测性能;基于粗糙集模糊神经网络理论的爆破振动危害预测模型,能更好地考虑各种因素对危害程度的综合影响,避免了单因素预测的局限性。     

大脑血液动力学现象中的能量编码

神经信息的编码与解码是神经科学中的核心研究内容,同时又极具挑战性.传统的编码理论都具有各自的局限性,很难从脑的全局运行方式上给出有效的理论.而由于能量是一个标量具有可叠加性,因此能量编码理论可以从神经元活动的能量特征出发来研究脑功能的全局神经编码问题,取得了一系列的研究成果.本研究以王-张神经元能量计算模型为基础,构建了一个多层次结构的神经网络,通过计算机数值模拟得到了神经网络的能量消耗和血液中葡萄糖供能的变化情况.计算结果显示,和网络的神经活动达到峰值的时间相比,血液中葡萄糖的供能达到峰值的时间延迟了约5.6s.从定量的角度再现了功能性核磁共振(fMRI)中的血液动力学现象:大脑某个脑区的神经元集群被激活以后经过5~7 s的延迟,脑血流的变化才会大幅增加.模拟结果表明先前发表的由王-张神经元模型所揭示的负能量机制在控制大脑的血液动力学现象中起着核心的作用,预测了刺激条件下大脑的能量代谢与血流之间变化的本质是由神经元在发放动作电位过程中正、负能量之间的非平衡、不匹配性质所决定的.本文的研究结果为今后进一步探究血液动力学现象的生理学机制提供了新的研究方向,在神经网络的建模与计算方面给出了一个新的视角和研究方法.      

基于EMD-PSO-LSTM组合模型的船舶运动姿态预测

由于船舶在海上航行时的高随机性和复杂性,单一模型预测能力有限,难以做出准确姿态预测。因此,提出一种基于经验模态分解(EMD)和粒子群优化(PSO)的长短期记忆神经网络(LSTM)的组合预测模型,对船舶运动姿态进行预测。首先通过EMD算法将由惯性导航系统在实时测量得到的船舶运动姿态数据进行分解,得到有限个本征模函数(IMF)。然后,利用PSO-LSTM模型学习各IMF分量的短期时序规律并进行预测,将各IMF分量的预测值相加得到最终的预测结果。基于实测数据进行仿真的结果表明,该组合预测模型分别比LSTM模型和PSO-LSTM模型在姿态角的预测中平均绝对百分比误差分别降低了约11%和7%,有效提高了船舶运动姿态预测精度。