增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

基于神经网络的特征结构提取

本文在详细讨论特征结构提取问题的能量函数表示的基础上,通过对该能量函数表示的适当变换和整理,高阶关联非线性连续时间神经网络被引入到特征结构的提取问题中。这种方法直观、明了,它将所要提取的特征结构与网络稳定时的输出直接对应起来,可对特征结构进行自适应跟踪、估计,这为特征结构的提取提出了一个新的方法。     

联合生成对抗网络和检测网络的SAR图像目标检测

针对合成孔径雷达图像目标检测中存在的样本获取困难且数量有限问题,提出了联合生成对抗网络和检测网络的学习模型。利用原始训练集对特别设计的超快区域卷积神经网络进行预训练;再通过基于注意力机制的深度学习生成对抗网络生成高质量合成样本,并输入检测网络进行预测;依据预测信息和概率等价类属标签分配策略为新生样本提供注释信息,并以一定占比对原始训练集进行扩充;利用扩充数据集对检测网络进行再训练。多组仿真实验证明,所提框架能够有效提升网络检测效率和性能。     

高性能计算和数据中心融合网络研究综述

随着高性能计算、大数据处理、云计算和人工智能计算呈融合发展趋势,高性能计算网络和数据中心网络的融合网络成为互连网络发展的重要趋势。分析当前融合网络研究现状;针对当前最具代表性的融合网络进行详细阐述,全面展示该领域的最新技术和动态;提出融合网络面临的技术挑战;基于技术挑战对融合网络的发展趋势进行展望,包括融合网络协议栈设计中融合与分化并存、基于在网计算实现融合网络性能加速、面向新兴应用需求优化融合网络性能。     

采用神经网络技术降低机电设备BIT虚警

机电设备 Ｂ Ｉ Ｔ 的突出问题是虚警率高，重要原因之一是 Ｂ Ｉ Ｔ 系统传感器通路故障。本文选取神经网络技术进行传感器通路故障诊断，剖析某大型船舶动力装置机电设备 Ｂ Ｉ Ｔ 系统中传感器通路的故障机理和类型，得到其故障样本数据，经过神经网络学习训练后对实际系统进行故障诊断和识别，实验结果表明该方法简洁、有效，能够有效地诊断故障并识别出故障类型，具有实用价值。     

二部图的(g,f)匹配

本文证明了二部图存在(g,f)匹配和f 因子的充要条件以及有关的几个结果,并且给出了求二部图的最大(g,f)匹配、最小(g,f)匹配和最小权最大f 匹配、最小权(g,f)匹配、最大权(g,f)匹配的算法。     

人工神经网络在管理信息系统中的应用

在传统管理信息系统的基础上,增加专家系统模块,即基于人工神经网络技术的预测分析模块,完成复杂的非线性预测以提高MIS智能化、自动化水平。该模块选用反向传输(BP:BackPropagation)神经网络模型来实现,通过网络的自适应学习和训练,找出输入和输出之间的内在联系,从而求得问题的解答。利用该专家系统对出版社图书市场销量进行预测。结果表明:该方法性能好,可作为预测图书售量的一种有效手段。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题,提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系,将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数,构建导弹攻击结果预测模型。在实验部分,结合重构误差和测试错误率确定深度置信网络的网络结构,通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法,满足实时性和准确性要求,所提方法具有良好的应用价值。     

有限精度的 BP 神经网络高速算法

精度要求是神经网络硬件实现的一个关键问题。本文提出了一种有限精度的BP高速算法，通过实例验证，该算法适于低精度，且收敛速度快。     

用神经网络变易有效焦距的摄像机标定法

针对传统摄像机标定中由于像差等非线性因素的影响造成结果精度和稳定性不高且算法复杂的特点 ,提出了用 4层前向神经网络模型变易摄像机横纵向有效焦距的方法。给出了摄像机标定结果和用标定后的摄像机进行三维立体测量的结果 ,并与传统方法作了对比。结果表明 ,基于神经网络的摄像机标定方法可以获得比传统方法更高的精度和稳定性