简介：单隐层前向神经网络的学习能力是有限的.特别地,作为分类器,单隐层前向神经网络对于图像的复杂信息和不同图像之间的细节信息很难学习和处理.文章借鉴深度神经网络的思想,将单隐层矩阵输入的神经网络拓展到多隐层神经网络,并采用传统的反向传播算法对其训练并给出学习算法.通过多个数据库的实验对比,结果显示所提出的算法具有良好的效果.

简介：人工神经网络是人工智能的重要分支，自其创始伊始便成为了人工智能领域的研究热点。本文从人工神经网络的发展历史开始，介绍了其在医学，信息，控制等方面的应用及其现状，对其中的优缺点进行了简要的分析。并对人工神经网络未来的发展作简要的展望。

简介：以卷积神经网络为代表的深度学习算法在医学影像分析领域正引起广泛美注，并取得了令人惊叹的进步。为了进一步提高卷积神经网络在计算机辅助筛查肺结节应用的准确率，本文设计了2种改良的深度卷积神经网络，这些改进加快了神经网络的训练速度．有效地防止了算法的过拟合。相比只采用二维卷积核的其他检测模型，该模型能够有效地学习到CT影像三维重建后的图像特征。通过实验，改进的检测模型在LUNAl6数据集上的准确率明显好于其他模型，这种网络结构也可用于医学影像领域中其他三维图像的检测场景。最后，构建了一套适用于远程医疗的“计算机辅助肺癌筛查与诊断系统”，该系统能够自动检测出CT影像中肺结节，并给出结节的良恶性概率评估。通过该系统的应用，可以有效缓解放射科医生超高的劳动强度，提高阀片效率，服务更多患者；减少漏诊和误诊发生的次数，有助于提高肺结节的诊断准确率；从而促进我国肺癌早筛工作的推广。

简介：摘要通过数学回归分析法制定的数学模型是很难解决桩基工程当中存在的问题。因为以智能决策与知识发现基础上形成的人工神经网络系统有着能够处理大量不确定信息的能力，且具有很强的学习性能与非线性映射以及预测的能力，可以很好解决难以构建数学模型但可以收集训练样本的问题。本文立足于人工神经网络方法，对其在桩基检测中的应用进行了简要的探讨，希望对建筑工程发展有所帮助。

简介：摘要智能输电网是人工智能神经网络的典型应用。其采用数据层、通信层、应用层网络结构，采用开放式的数据网络平台。交叉学科的服务商在数据网络平台进行应用层数据发掘与实现，为用户提供相互独立的产品，实现可持续的数据挖掘与应用。

简介：面部的特征点准确定位对于表情识别和面部动画合成等应用具有重要的意义。随着网络时代自拍的盛行，人们对于实际应用场景中不同光照，角度和遮挡条件下的准确特征点定位提出了更高的要求。本文设计了一种基于级联的深度卷积神经网络的面部特征点定位算法，在初步特征点识别的基础上利用级联网络进行回归优化拟合，从而达到了精确定位的效果。

简介：基于改进的模糊神经网络算法进行微互动平台设计,调整模糊神经系统网络的结构和参数以建立信息搜索引擎模型,生成时间序列来提取校园的数据信息,提取结果作为设计微互动平台的基础,由此可以使慕课平台给用户提供个性化的服务,提高用户浏览的有效性和便利性。

简介：摘要近年来，随着机械工程的发展，我国机械设计朝向了智能化方向进一步的发展。智能机械设计的发展，使机械设计得到有效优化及完善。而对于人工神经网络来说，则为大量的、简单的处理神经单元互相组成的大规模分布式并行信息处理系统。实践证明，将人工神经网络应用到智能机械设计过程中，能够促进智能机械设计的优化，因此有必要注重人工神经网络的应用。本课题在分析人工神经网络的概念内容的基础上，进一步对人工神经网络在智能机械设计中的具体应用进行分析，希望以此为智能机械设计的优化、发展提供一些具有价值的参考建议。

简介：管理诊断方案确定在当今企业管理中具有重要的地位.提出一种基于改进人工神经网络的管理诊断方案评价方法,该方法结合单因素影子加权与人工神经网络相结合的方法进行优化评价方案,实现企业诊断方案评价的全面化,客观化,可靠化和智能化.实例验证了该评价方法能够有效区分方案的优劣水平,简化了原有方法的冗长过程,提升了方案评价的科学性.

简介：摘要在炼铁过程中，保持合理的炉温水平是达到炉况稳定顺利、实现高炉生产“优质、高产、长寿、低耗”的直接保证。一般通过预测铁水硅含量来间接地反映炉内温度的变化，判读高炉炉缸热状态。本研究提出将BP神经网络与遗传算法（GA）相结合，建立GA-BP网络模型。

简介：摘要在医疗卫生领域,人工智能具有广阔的应用前景和较高的实用价值。介绍了人工智能在神经网络中的应用，及应用前景。

简介：摘要近年来，随着机械工程的发展，我国机械设计朝向了智能化方向进一步的发展。智能机械设计的发展，使机械设计得到有效优化及完善。而对于人工神经网络来说，则为大量的、简单的处理神经单元互相组成的大规模分布式并行信息处理系统。实践证明，将人工神经网络应用到智能机械设计过程中，能够促进智能机械设计的优化，因此有必要注重人工神经网络的应用。本课题在分析人工神经网络的概念内容的基础上，进一步对人工神经网络在智能机械设计中的具体应用进行分析，希望以此为智能机械设计的优化、发展提供一些具有价值的参考建议。

简介：对K-means算法加以改进,使用减法聚类确定聚类中心数量;以相距最远的两个样本作为聚类中心的边界,改进的K-means算法将K个初始中心分散到含有输入样本点的各个区域中,使其能够反映样本之间的关系和分布特征;初始中心确定后,使用点对称距离方法调整聚类中心。利用改进的K-means算法将历史日聚类分成4种天气类型,取相似日作为训练样本,对4种天气类型分别建立基于改进K-means算法的RBF神经网络功率预测模型。采用上海某光伏电站实测数据验证,结果表明提出的的预测方法精度提高,实用性较强。

简介：BP神经网络算法具有很好的非线性推理能力及优越的自组织、自适应、容错性能。利用该方法对高层建筑地基沉降数据进行分析,可不考虑地基沉降影响因素与沉降之间的对应关系,而直接根据已知时间内实际沉降数据构建模型对未知时间的沉降进行预测推理。将该方法应用于西安市某高层建筑的地基沉降数据预测分析,并与多项式拟合方法的分析结果进行对比可知,BP神经网络的非线性预测推理能力更强,应用前景广阔。

简介：旨在引入神经网络算法以提高加速度计活动强度的预测准确性，以44名大学生（男女各22名）为样本，让其同时佩戴气体代谢分析仪CosmedK482和加速度计（Actigraph—GT3X）进行3类11项体力活动（每项活动5rain），使用Matlab7．0软件运用留一法交叉验证BP神经网络模型，通过其与Hendleman模型和Crouter模型在RMSE、Bias和B—A图上的横向比较评估其效度。结果显示3—18—1的三层神经网络模型（参数误差率O．001、初始学习率0．02、动量常量0．7）的RMSE为1．08，在B—A图上一致性区间之外的点占总数的4．3％、一致性界限差值的绝对值为2．7，每分钟活动强度（除骑行外）的分类准确性分别为84．3％（小强度）、83．2％（中等强度）和89．8％（大强度），神经网络模型在整体强度和各个活动项目强度的预测上的准确性均好于Hendleman和Crouter模型，并且在活动强度分类准确性上更优。未来应进一步探究机器学习中其它算法在该领域的应用，优化整合指标体系和各类模型之间的关系。

简介：随着当前我国经济的不断发展，我国的建筑行业也随之不断发展，近几年来，高层建筑也如雨后春笋般出现在城市之中。在有关的高层建筑工程中，应用广泛的桩基础是十分重要的。

简介：摘要本文提出了一种基于人工神经网络的感应电机节能控制器。经反向传播学习算法训练的多层神经网络可以克服电机在非满载状态下定子电压的变化及参数变化所带来的不必要的能量损耗。经过训练的神经网络可以在电机多种运行状态下操控电机电压以达到最有效率。经过MATLAB仿真表明所设计的系统具有良好的控制性能1。

简介：行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD（DomainGuidedDropout）卷积神经网络（CNN）与样本相对距离结合的行人重识别算法：首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.

简介：行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用.传统的行人检测方法大多使用滑动窗口遍历图片的方式,导致计算量大,检测速度受到限制.目前基于深度学习的行人检测方法进入了一个快速的发展阶段,但是还存在例如小尺寸行人漏检等很多问题.现提出基于卷积神经网络的多尺度行人检测方法,分析了增加检测层、并联卷积层与改变卷积核尺寸对行人检测性能的影响.在KITTI数据集上的实验结果表明,该方法可以实现较好的行人检测效果.

简介：摘要大数据所蕴含的社会、经济、科学价值，使得其商业应用不断成功，相关大数据技术高速发展。大数据相继催生出许多新的应用、新的思维、新的方法，进而在全世界掀起大数据研究热潮。近年来，许多国家制定了各种大数据研究计划。美国奥巴马政府于2012年宣布启动“大数据研究和发展计划”，将“大数据研究”上升为美国国家意志，认为大数据如同“未来的新石油”，将对科技和经济发展带来深远影响。2013年，中国第462次香山科学会议指出大数据是数字化时代的新型战略资源，是驱动创新的重要因素，正在改变人类的生产和生活方式。同年，中国大数据产业也逐步兴起；2014年，中国国家自然科学基金委设置了大数据重点项目群，全面推动中国大数据研究；2015年，国务院发布大数据发展行动纲要，将大数据正式上升为中国国家意志，再次将大数据研究推向新的高潮。