基于神经网络的非线性观测器及其应用

提出了一种基于神经网络的非线性观测器，用于青霉素发酵过程的状态估计，仿真研究获得了满意的结果。观测器的输出与离线测量数据拟合较好，证明了该方法的实用性，为建模困难的生化过程的状态估计提供了可能。     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

基于回归神经网络的非线性动态数据校核及其应用

研究了简化型内回归神经网络基于自适应梯度下降法的训练算法,并提出了一种基于简化型内回归神经网络的非线性动态数据校核新方法,结果表明所提出的方法能够有效地对非线性动态过程进行数据校核,并具有良好性能,与传统的动态数据校核方法相比,所提出方法具有不需要掌握过程本身的精确模型,避免了过程模型误差可能带来的估计误差,不需事先知道测量噪声和过程噪声的统计特性等特点。     

求解非线性电阻电路的神经网络方法

提出的求解具有凸特性ＣＰＷＬ非线性电阻电路的神经网络方法，具有与常用电路分析软件相容的数据格式，且待求变量少，精度高，是一种可靠的求解方法。该方法也可推广到具有凸待性由ＣＰＷＬ描述的多端子非线性电阻电路的求解工作中去。     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度，提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究，并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系，而且计算复杂度低，便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

实验室条件下中华按蚊生存函数非线性拟合

在实验室条件下采用接近于郑州地区６－８月份的温度，湿度，光照和充足产食物的综合条件，对中华按蚊发育，存活仔细观察，获取准确数据输入计算，编制种群生命表。对生命表数据进行Ｌｏｇｉｔ变换，拟合其生存函数，得出中华按蚊雄，雌性蚊虫的生存函数。     

用于动态过程监测的非线性PLS小波神经网络

将小波理论与非线性ＰＬＳ方法结合提出一种新的处理多维分类问题的非线性ＰＬＳ小波基神经网络模型用于动态过程监测。     

基于RBF神经网络的医院科技影响力评价模型构建

在文献调研的基础上基于德尔菲法建立医院科技影响力评价指标体系,根据专家经验和知识对60家医院的科技影响力进行排名。采用径向基函数神经网络方法,将50个医院作为训练样本,10个医院作为测试样本,构建出一套基于径向基函数的医院科技影响力的评价模型,实验结果表明该评价模型较好地拟合了专家的思维,可以使医院科技影响力评价真实有效。     

基于改进的BP神经网络的糖尿病肾病中医证候非线性建模研究

目的建立基于人工神经网络的糖尿病肾病(DN)证候诊断模型。方法基于MATLAB 7.0环境,采用改进的共轭梯度(trainscg)学习算法,建立DN证候三层前向BP网络模型,并用3倍交叉法验证该模型的诊断价值。结果DN证候神经网络模型预测DN证候的平均单证特异性为81.32%,平均单证准确率为96.25%,平均诊断准确率为92.21%。结论DN证候BP神经网络模型具有很好的诊断、预测能力,人工神经网络技术是中医证候非线性建模的可行性方法。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性，提出了一种基于神经网络的通用模型控制方法，将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型，从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线，由于径向基函数网络具有许多优点，该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义，参数整定方便。仿真实验验证了该控制策略的有效性。     

基于人工神经网络的自适应疾病诊断模型研究

本文利用人工神经网络和遗传算法的融合技术构建了一个智能疾病诊断模型,该模型能针对不同疾病或诊断因子的变化,自适应地调整模型网络结构,表现出良好的泛化性和诊断精度.     

基于多神经网络模型的酯化反应软测量

对模糊C-均值聚类算法加以改进，将系统输入数据进行模糊划分，分成具有几个不同聚类中心的子集；继而引入到多模型建模过程中，针对每个子集建立相应的径向基函数(RBF)网络模型。而全局模型则由各个子模型的输出加权组合。最后通过对聚合釜反应器软测量建模的研究，表明该方法具有拟合精度高和泛化能力强的特点，验证了此多模型建模方法的有效性和快速性。     

基于模糊神经模型的自适应单神经元控制系统设计

提出一种基于模糊神经模型的自适应单神经元控制系统.该控制系统首先根据采集到的输入输出数据建立被控过程模型,并在此基础上引入单神经元控制器.通过李亚普诺夫方法对控制器参数进行在线调节,从而使得系统输出值能够较快跟踪设定值.理论分析和仿真结果表明:本文提出的单神经元控制器和传统的PID控制器具有极其相似的结构,因此,具有结构简单、易于操作的特点,具有较快的跟踪速度,并且控制参数可以在线调节.     

基于BP算法的住院天数神经网络建模研究

目的建立基于BP神经网络的住院天数拟合模型,并在已建立的神经网络模型的基础上,进行住院天数的预测和影响因素的敏感度分析,利用本研究的建模结果,为BP神经网络建模的方法学提供一定的参考依据,并能帮助卫生管理决策者做出正确的决策和分析。方法利用SQL提取HIS数据,在Clementine 11．1中进行建模和预测,预测结果用SPSS 16．0进行假设检验。结果BP神经网络的拟合度和预测准确度分别为96．678％和86．67％,术前住院天数对射频消融术患者的住院天数影响最大。结论BP神经网络相埘其他传统统计方法而言,是比较适合于住院天数数据特征的建模方法。     

基于特征选择和神经网络的糖尿病预测模型研究

采用特征选择算法和人工神经网络建立糖尿病预测模型,阐述模型构建及评价步骤、方法。以灵敏度、特异度、准确率、ROC-AUC为指标评估模型的预测性能,并与其他算法模型进行对比分析,实验结果表明基于特征选择和人工神经网络的糖尿病预测模型对临床指标未知且复杂的数据集具有更好的抗干扰能力和预测性能。     

基于影像数据系统的人工神经网络模型研究--乳腺癌的早期诊断模型

影像学检查在乳腺癌的早期发现中起着重要的作用,现在已经有很多不同的方法用于医学图像中异常组织的检测和分类,如小波、分形理论、统计方法等,都通过图像处理来提取图像的特征。另外一些分类方法用到了模糊集理论、马尔可夫模型和神经网络等。其中人工神经网络是根据人的认识过程而开发出的一种算法。由于其自学习、自适应、自组织、函数逼近和大规模并行处理等能力而具有用于智能系统的潜力。通过应用人工神经网络算法,针对乳腺X线影像的特点,对现有影像数据系统的BI—RADS分级模式进行研究与探讨。     

基于深度神经网络的智能诊断预测模型研究

提出一种基于深度神经网络语言模型的诊断预测框架,在南通市第一人民医院医疗数据基础上进行实验并分析结果,指出该框架能够有效提高诊断预测的准确率。     

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法.该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便.仿真实验验证了该控制策略的有效性.     

A Radial Basis Function Neural Network Model for Classification of Epilepsy Using EEG Signals

Epilepsy is a disorder of cortical excitability and still an important medical problem. The correct diagnosis of a patient’s epilepsy syndrome clarifies the choice of drug treatment and also allows an accurate assessment of prognosis in many cases. The aim of this study is to evaluate epileptic patients and classify epilepsy groups such as partial and primary generalized epilepsy by using Radial Basis Function Neural Network (RBFNN) and Multilayer Perceptron Neural Network (MLPNNs). Four hundred eighteen patients with epilepsy diagnoses according to International League against Epilepsy (ILAE 1981) were included in this study. The correct classification of this data was performed by two expert neurologists before they were executed by neural networks. The neural networks were trained by the parameters obtained from the EEG signals and clinic properties of the patients. Experimental results show that the predictions of both neural network models are very satisfying for learning data sets. According to test results, RBFNN (total classification accuracy = 95.2%) has classified more successfully when compared with MLPNN (total classification accuracy = 89.2%). These results indicate that RBFNN model may be used in clinical studies as a decision support tool to confirm the classification of epilepsy groups after the model is developed.