简介：Adesignmethodfornoisecancellerusingrecurrentneuralfilter，ADRNN-baseddirectmulti-stepadaptivepredictorforintelligentsystems，Agenerationalterationmodelforevolvingrecurrentneuralnetworktopologiesalongwithweights，AHIGH-PERFORMANCEMULTI-PURPOSEDSPARCHITECTUREFORSIGNALPROCESSINGRESEARCH……

简介：AChaoticNeuralNetworkforReducingthePeak-to-AveragePowerRatioofMulticarrierModulation；Acombinatorialoptimizationmethodbychaoticneurodynamics；Amultistageself-organizingalgorithmcombinedtransientlychaoticneuralnetworkforcellularchannelassignment；AreductionmethodforPAPRinOFDMvianeuralnetworks；ASearchingAbilityofSolutionsofN-QueensProblemUsingChaotic；Atheoreticalstudyonaneuralmethodforcombinatorialoptimizationproblems；AdaptiveMemoryDynamicsinaChaoticNeuralNetwork；

简介：

简介：

简介：[篇名]AHamilton-JacobiSetupforConstrainedNeuralNetworkControl，[篇名]ANEURALNETWORKCONTROLBASEDOBSERVERFORROBOTMANIPULATORS，[篇名]Aneuro-controllerwithguaranteedstability，[篇名]AnewRBFneuralnetworkcontrolstrategybasedonnewobjectfunction，[篇名]ANovelNeuralNetworkControllerandItsEfficientDSPImplementationforVector-ControlledInductionMotorDrives，[篇名]Asinge-phaseactivepowerfilterwithneuralnetwork-basedcontroller，[篇名]AStudyonNeuralNetworkControlofExplosion-Proof2-LinkPneumaticManipulator，[篇名]Activepowerlineconditionerwithaneuralnetworkcontrolscheme。

简介：

简介：

简介：Abiologicallyinspiredconnectionistsystemfornaturallanguageprocessing，Abiologicallymotivatedconnectionistsystemforpredictingthenextwordinnaturallanguagesentences，Acombinedmodelofwaveletandnenralnetworkforshorttermloadforecasting，Acomparativestudyofradialbasisfunctionneuralnetworksandwaveletneuralnetworksinclassificationofremotelysenseddata……

简介：本文通过构造Lyapunov函数和利用不等式分析技巧，研究了具有时滞的细胞神经网络的稳定性，给出了与时滞无关的网络渐近稳定的充分判据，该判据可用于时滞细胞神经网络的设计与检验，有重要的理论意义与应用价值。

简介：本文对神经网络的基本原理和应用进行了深入浅出的阐述,首先说明为何引进神经网络,然后讲述神经网络的基本原理和当前有关神经网络的前沿技术,其后对神经网络的应用情况进行了介绍,最后对神经网络有待解决的问题进行了简要说明.

简介：摘 要：回顾了卷积神经网络的发展历程,介绍了卷积神经网络的基本运算单元。在查阅大量资料基础上，重点介绍了有代表性的 AlexNet、VGGNet、GoogLeNet、ResNet等，对他们所用到的技术进行剖析，归纳、总结、分析其优缺点，并指出卷积神经网络未来的研究方向。

简介：研究具有时滞的细胞神经网络的稳定性问题，通过构造合适的Lyapunov函数及不等式分析技巧，给出了时滞细胞神经网络全局稳定的新的充分判据，这些结论推广了已知文献中的结果。

简介：基于细胞神经网络，采用改进型帧间差法检测飞行物体，针对飞行目标提取其相应的特征，建立特征参数库，为飞行物的实时跟踪与自动识别提供依据。

简介：Remarksonadaptiveneuralnetworkcontrollerusingreferencemodel，Revolutioncontrolofgeneratordieselenginebyneuralnetworkcontroller，Robustneuralnetworkcontrollerforvariableairflowvolumesystem，Selftuningneuralnetworkcontrollerforinductionmotordrives，Self-OrganizingNeural-BasedFuzzyControllerforTransientStabilityofMultimachinePowerSystemsUsingFlywheelBattery……

简介：Evolutionofaneuralnetworkforgaitanimation.Experimentalevaluationofanovelswitchcontrolschemetbranactivepowerlineconditioner.Fuzzylogicdecisionmechanismcombinedwithaneuro-controllerforfabrictensioninrobotizedsewingprocess,Hybridsteppingmotorpositionservosystemwithon-linetrainedfuzzyneuralnetworkcontroller.

简介：Aneuralnetworkcontrollerforsuppressionofwingrock；Aneuralnetworkpredictivecontrolsystemforpapermillwastewatertreatment；APIDneuralnetworkcontroller；Anartificialneuralnetworkapproachformotioncontrolofamagneticdiskdrivevoicecoilmotor；Aninternalmodelcontrolstrategyusingartificialneuralnetworksforaclassofnonlinearsystems；2002IEEEInternationalConferenceonSystems,ManandCybernetics(SMC02),vol.5:BridgingtheDigitalDivide-Cyber-development,HumanProgress,PeaceandProsperity；AutomaticGenerationControlforPowerSystemwithSMESbyUsingNeuralNetworkController；Chaoticsystemcontrolconsideringedgeofchaosusingneuralnetwork；DesignandimplementationofindustrialneuralnetworkcontrollerusingBackstepping；

简介：回顾了人工神经网络的发展史,分析了BP神经网络的结构,对BP神经网络在函数逼近、模式识别、分类应用、数据压缩等方面的应用进行了综述.

简介：摘要：卷积神经网络是一种新型的无导师学习算法,在近几年有了较大发展,其主要思想为利用层间节点竞争产生隐含函数来处理非线性系统，在处理非平稳信号方面,它的优势主要体现在:可以利用网络中所有隐含层,使得原始数据与新产生的参数都保持一定关系,从而实现了非线性函数逼近;通过使用简单、有效等方法来减少输出矢量对算法时间和计算量要求较高之处。本文将介绍一下卷积神经网模型结构及相关技术特性以及一些典型应用场景下常用学习算法进行分析研究。

简介：为了提高使用精度，研究了某型号MEMS陀螺仪的随机漂移模型。采用游程检验法分析了该陀螺仪随机漂移数据的平稳性，并根据该漂移为均值非平稳、方差平稳的随机过程的结论，采用梯度径向基（RBF）神经网络对漂移数据进行了建模。实验结果表明：相比经典RBF网络模型而言，这种方法建立的模型能更好地描则EMs陀螺仪的漂移特；相对于季节时间序列模型而言，其补偿效果提高了大约15％。

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.