简介：所以生物的记忆过程就是建立特定连接方式的神经网络的过程,但在认知若干个具体苹果的过程中,可以由单个神经元、神经链路或是神经网络来承担

简介：摘要将人工神经网络（ANN）技术引入磨削加工领域，研究预测切向磨削力和法向磨削力，来提高磨削力的预测精度。以多层前反馈神经网络为基本结构，以误差逆传播算法（BP算法）为网络的训练方法。通过分析，以砂轮速度vs、工件速度vw和磨削深度ap为输入，以切向磨削力Ft和法向磨削力Fn作为网络输出，选定网络的层数、隐含层神经元个数、训练函数、传递函数等内容，建立预测磨削力的BP神经网络模型。然后比较不同网络模型，来确定最优的预测模型。

简介：研究了BP神经网络的收敛问题。基于随机理论，提出了解决网络收敛性问题的随机优选法。该方法不仅在任何条件下都能得到问题的具有一定精度的解答，而且收敛速度很快。

简介：摘要本文利用人工神经网络对两自由度线性振动系统进行了神经网络建模，并通过所建立的神经网络模型对该系统进行了预测。分别利用MATLAB和BP网络作为平台和训练工具。以两自由度悬臂梁的受迫振动为例，将一段时间内的激励力作为网络的输入参数，对应于该段时间内由振动产生的挠度作为网络的输出参数，然后利用BP网络进行训练。将网络模型预测结果与精确解进行对比，误差甚小。该结果表明所建立的神经网络模型合理、有效，可利用其对该类问题进行预测并应用于工程实践中。

简介：摘要：在日常的生活中,人们会遇到很多不确定性,比如运动物体发生了变化、工作环境发生变化等。这些都需要大量数据进行研究和分析。循环神经网络就是一种能够快速收敛并能自动消除系统误差，并且对信息处理速度比较快的新型算法之一，而且在网络研究中,循环神经网络具有非常重要的作用,它可以通过学习和计算来处理复杂系统，具有非常广阔的发展前景,在很多领域得到了广泛运用与关注;但是目前存在许多问题需要解决。

简介：1范围本标准规定了土地利用的类型、含义。本标准适用于土地调查、规划、评价、统计、登记及信息化管理等工作。在使用本标准时，也可根据需要，在本分类基础上续分土地利用类型。

简介：摘 要：近年来，大数据、云计算、人工智能等新技术的迅速发展，数据量也急速增长。对于多模数据的应用和海量数据的处理已经成为研究人员最关注的话题之一。而神经学习的出现，给处理多模和海量数据带来了新的方向。深度学习构建的神经网络可以很好的处理非结构化的数据，给推荐算法的发展指明了道路。文章搭建了一种基于深度神经网络的多模信息推荐算法模型。实验结果表明，该模型能够有较好的推荐效果。

简介：摘要传统SCR脱硝控制设计及优化方法大多依赖PID控制模型，依赖大量人工经验、人工调参及模型优化，并且无法很好适应不同锅炉环境。近年来，以深度神经网络为代表的人工智能方法被广泛使用于不同领域，并且具有应用在SCR脱销控制预测的潜力。本文研究基于深度神经网络的SRC脱销控制模型，使用负荷、烟气流量、入口NOx和出口NOx作为输入，使用优化PID调节下的调门开度作为预测目标，所构建的深度神经网络可精确预测调门开度，可替代传统PID控制模块，实现SCR脱硝控制调节及优化。

简介：摘要：随着科技的发展，我国进入互联网时代，这便使得互联网中的大数据被越来越多的人使用和重视。信息时代，群众可以从互联网中了解到自己想要的讯息，不管所属何种领域，都会挖掘大数据的经济价值以及科技价值。在目前对于分析大数据的方法来说，难度系数较高，是需要研究出一种新的分析方案，帮助挖掘大数据中存在的更多经济价值和科学价值。在当前可以采用无限深度神经网络方法来分析大数据，这种方法可以对大数据中的信息进行综合、整理、分析，为人们筛选出具有价值的信息。在本文中，将会对大数据分析的无限深度神经网络方法进行分析，希望对有需要的人有所帮助。

简介：

简介：摘要：针对疫情形势下对营业厅的防疫监控需求，介绍了人工智能在防疫监控中的应用。采用基于深度神经网络（DNN）的人工智能算法作为智能判断手段。重点阐述了设计思路及深度神经网络设计及改进。经过实验测试，所设计的深度神经网络推理成功率达到实用要求，且配合相关监控可满足营业厅防疫要求，对缓解监控人员压力有一定帮助。

简介：摘要：针对疫情形势下对营业厅的防疫监控需求，介绍了人工智能在防疫监控中的应用。采用基于深度神经网络（DNN）的人工智能算法作为智能判断手段。重点阐述了设计思路及深度神经网络设计及改进。经过实验测试，所设计的深度神经网络推理成功率达到实用要求，且配合相关监控可满足营业厅防疫要求，对缓解监控人员压力有一定帮助。

简介：摘要为了能对船舶结构的损伤类型进行分类识别，提出了一种基于传递率函数和卷积神经网络的损伤类型识别方法。首先，利用传递率函数对不同损伤类型下的振动响应信号进行处理，得到训练样本集和测试样本集，然后将训练样本集作为网络模型的输入，不断更新网络模型的各参数，最后通过测试样本集输出故障识别结果。通过仿真不同厚度和不同弹性模量的结构损伤情况，验证了该方法对损伤类型识别的有效性。

简介：摘要目的探讨卷积神经网络（CNN）在胸部CT肋骨骨折诊断中应用的准确性和可行性。方法收集2017年5月至2019年5月于山西白求恩医院行胸部CT检查的305例肋骨骨折患者的影像资料，经过图像裁剪构建包含5类胸部CT肋骨骨折图像数据集，共7433张图像，作为训练组数据，在深度学习caffe框架下采用Faster R-CNN和Yolov3模型对数据集进行训练和测试。另选取同期肋骨骨折患者20例，裁剪后144幅包含肋骨骨折的CT图像作为验证组，由两位高年资主任医师阅片并确定肋骨骨折类型及部位等作为诊断标准，分别使用Faster R-CNN、Yolov3模型进行验证，同时两位CT医师对验证组图像进行判读。比较3种方法的诊断准确率、诊断一致性及阅片时间。结果验证组144幅CT图像共包含162处骨折，骨折类型包括双侧骨皮质断裂71处、外侧骨皮质断裂38处、内侧骨皮质断裂21处、骨皮质屈曲骨折12处、其他类型骨折20处。Faster R-CNN模型、Yolov3模型、CT医师诊断肋骨骨折的总准确率分别为95.68%（155/162）、83.33%（135/162）、96.30%（156/162），组间比较差异有统计学意义（P<0.001）。Kappa一致性检验显示，Faster R-CNN模型及CT医师的诊断一致性较好（Kappa=0.851，P=0.012）。CT医师、Faster R-CNN模型、Yolov3模型平均每幅图阅片时间分别为（11.57±5.80）s、（0.52±0.15）s、（0.054±0.003）s，组间比较差异有统计学意义（P<0.01）。结论利用深度卷积神经网络识别胸部CT肋骨骨折具有可行性，诊断总准确率与有经验的CT医师相当，而阅片速度更优。

简介：摘要：高速处理器和高分辨率相机的出现引领了针对各种应用的面部识别系统设计的研究。人脸识别系统根据应用程序使用离线数据或实时输入。本文提出了一种基于卷积神经网络（ CNN）的实时人脸识别系统的设计与评估。使用标准 AT＆ T数据集对提议的设计进行了初步评估，随后将其扩展到实时系统的设计中。还报告了有关调整 CNN参数以评估和增强所提出系统识别准确性的详细信息。还提出了一种系统的方法来调整参数，以增强系统的性能。最大识别精度为 98.75％和 98％。

简介：摘要：为了提高气体绝缘金属封闭开关（ GIS）缺陷的检测效率，提出了一种基于计算机卷积神经网络的 GIS中典型缺陷图像识别和分类方法。利用内窥镜获取 GIS的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像。设计相应的卷积神经网络，并利用预处理后的图像对卷积神经网络进行训练和测试，实现对缺陷图像的识别。应用的算法由 matlab软件实现。测试结果证明，基于卷积神经网络的 GIS缺陷图像识别方法的测试结果和样本图像的实际类型基本一致，该方法可以实现对 GIS内部缺陷类型进行检测。

简介：摘要为了提高气体绝缘金属封闭开关（GIS）缺陷的检测效率，提出了一种基于计算机卷积神经网络的GIS中典型缺陷图像识别和分类方法。利用内窥镜获取GIS的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像。设计相应的卷积神经网络，并利用预处理后的图像对卷积神经网络进行训练和测试，实现对缺陷图像的识别。应用的算法由matlab软件实现。测试结果证明，基于卷积神经网络的GIS缺陷图像识别方法的测试结果和样本图像的实际类型基本一致，该方法可以实现对GIS内部缺陷类型进行检测。

简介：针对传统道路障碍物检测算法准确性和鲁棒性不强等问题,本文提出一种基于卷积神经网络的道路障碍物检测算法。该算法首先对车载图像预处理生成障碍物候选区域,再将障碍物候选区域输入到改进的卷积神经网络中,进行精确识别和剔除,区分道路障碍物和非障碍物。改进的卷积神经网络在原有网络的基础上,调整了卷积核的大小和个数、池化层的空间尺寸和神经网络的深度,并且在卷积层后选择性的加入池化层,提高障碍物的识别率。在不同场景中进行了测试,实验结果表明：本文提出的道路障碍物检测算法有效的提高了障碍物的识别率,识别率达到98.2%,并且拥有较高的鲁棒性。

简介：摘要目的探讨基于卷积神经网络（CNN）的人体行为识别在新一代院前急救中的应用。方法从蒙特利尔跌倒视频数据集获取60份视频，按5∶1比例分为模型训练数据和评价测试数据。①数据模型训练：利用奇异值分解对图片进行清晰化处理，通过目标检测与傅里叶变换识别图片中人体的目标边界，将人体曲线描绘出来；利用OpenCv计算机视觉和机器学习软件库人体姿态估计将人体的重要部位（如臀部、膝盖）标出，计算重要部位连线与水平方向的夹角及检测框架的长宽比例，识别人体是否具有异常行为。②评价测试：从模型训练数据集中随机提取6个视频，每个视频抽取10个1帧，将每帧看成一张图片，对每帧进行CNN行为识别，计算正常行为和异常行为的识别率。结果数据模型训练过程中，对每帧进行人为的标签化，训练CNN人体行为识别模型。评测结果显示，正常行为识别率为（90.33±3.03）%，异常行为识别率为（87.74±2.88）%。结论在路人发生危险行为时，通过CNN识别人体行为可判断其是否处于危急状态，并及时发出预警，对院前急救起到至关重要的作用。

简介：在铁路货运电子商务系统中,预订车票登录界面验证码图像中字符,提出了一种基于卷积神经网络（CNN）的铁路货运验证码识别方法.先对验证码图像进行预处理得到单个字符,再对单字符图像数据建立CNN模型进行迭代训练.该方法针对铁路货运验证码图像特征,图像字符分割正确率接近100%,单个验证码字符正确识别率达98%以上,单张验证码图像识别率接近93%.试验表明,该方法对铁路货运验证码识别率较高,可应用于验证码的自动识别.