RBF神经网络建立真菌发酵过程模型的研究

采用结构简单的ＲＢＦ神经网络建立真菌发酵过程模型，模拟结果精确，网络训练误差收敛速度也很快。     

修正初始权值的BP网络在CSTR故障诊断中的应用

将BP算法和使用复合法修正初始权值的BP算法运用到CSTR模型中进行故障诊断。采用复合法对初始权值进行修改，避免了BP算法中初始权值的随机性带来的收敛缓慢甚至瘫痪现象，并结合CSTR模型的故障诊断进行了仿真运算，与BP网络的比较表明了改进算法在运算效率上的优势。     

噪声淹没的 X线图像中癌变病灶信息的人工神经网络检测

本文以诊断医生的诊断过程为依据,构造了 1个三层 B- P人工神经网络,并用 20个样本对其进行了训练;而且应用此网络对 X线图像中的肺癌进行了模式识别并且检验了它的工作特性;说明了人工神经网络用于医学图像模式识别的可行性和潜在的发展优势 .     

人工神经网络在红霉素发酵过程状态预估中的应用

探索了动态ＢＰ网络和ＲＢＦ网络在红霉素发酵过程状态预估中的应用,比较了它们的收敛速度和学习能力。结果表明,ＢＰ网络和ＲＢＦ网络都具有相当好的学习能力,但ＲＢＦ网络的收敛速度更快,训练好的神经网络,在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、ＮＨ２－Ｎ浓度、丙醇浓度和菌体浓度等参数值,并可在进上步的过程优化和控制中应用。     

同胞姐妹4人再生障碍性贫血

针对ＢＰ空工神经网络存在的两个特点：（１）局部收敛问题不能很好解决；（２）收敛速度慢，提出应用改进共轭梯度算法建立人工神经网络，以获得共轭梯度网络的全局收敛特性和快收敛速度，计算机仿真结果表明：改进共轭梯度网络优于ＢＰ网络。     

模式识别在白芍质量控制中的应用

目的旨在通过通用性强的中药色谱数据特征的抽取和神经网络识别,建立白芍的质量评价模式。方法首先通过实验获取同一品种不同质量29个白芍样本的高效液相色谱数据,然后依照非线性的核主成分分析(KP-CA)进行数学特征提取,将取得的压缩数据,输入BP神经网络进行学习,运用训练后的网络识别白芍的质量分类。并探讨了模式识别中人工神经网络的数据预处理、网络隐含层数、隐节点数、激励函数和过拟合现象等。结果通过改良后网络训练,已成功地识别白芍药材质量类别(识别率100%)。结论非线性特征提取KPCA法与人工神经网络结合适用于白芍整体质量分析。     

基于Wasserstein Gan的无监督单模配准方法

本文提出一种基于Wasserstein Gan的无监督单模配准方法。与现有的基于深度学习的单模配准方法不同，本文的方法完成训练不需要Ground truth和预设的相似性度量指标。本文方法的主要结构包括生成网络和判别网络。首先，生成网络输入固定图像（正例图像）和浮动图像并提取图像间潜在的形变场，通过插值方式预测配准图像（负例图像）；然后，判别网络交替输入正例图像和负例图像，判断图像间的相似性，并将判断结果作为损失函数反馈，进而驱动网络参数更新；最后，通过对抗训练，生成网络预测的配准图像能欺骗判别网络，网络收敛。实验中随机选取30例LPBA40脑部数据集、25例EMPIRE10肺部数据集和15例ACDC心脏数据集用作训练数据集，然后将剩下的10例LPBA40脑部数据集、5例EMPIRE10肺部数据集和5例ACDC心脏数据集用作测试数据集。配准结果与Affine算法、Demons算法、SyN算法和VoxelMorph算法对比。实验结果显示，本研究算法的DICE系数（DSC）和归一化相关系数（NCC）评价指标均是最高，表明本文方法的配准精度高于Affine算法、Demons算法、SyN算法和目前无监督的SOTA算法VoxelMorph。     

“辨证元”模型与算法在中医辨证中的应用

随着祖国医辨证学体系和现代科学技术的不断发展和完善,数学与计算机理论已经广泛应用于祖国医学的智能化辨证诊断,并产生了概率计量、模糊评判、数据挖掘等多种辨证模型和算法。朱文锋等将贝叶斯网络应用于中医辨证并将模糊数学应用于“证素”辨证理论,对证素进行定量加权求和、阈值判断,通过模式识别判定诊断证型,并提出运用“双层频权剪叉”算法进行病位和病性的定量判断;     

血液病远程多媒体医疗系统的体系结构

根据血液病诊断的特点，以模式识别理论为基础建立核心专家系统，并且利用现有的多种通信网络平台及网络数据库技术建立方便迅速的血液病远程多媒体医疗系统，实现诊断过程的自动化。     

∑－π型神经网络中误差曲面与学习效率研究

∑－π型神经网络是由具有高阶神经网络特性的单元构成的无隐层网络。研究了∑－π型神经网络中的误差曲面和学习效率，给出了理论推导和分析。对于典型的ＸＯＲ问题，分别使用ＢＰ网络和∑－π网络进行了计算机模拟计算。结果表明，ＢＰ网络中误差曲面存在大量的平台（ｆｌａｔ）和梯阶（ｓｔａｉｒ－ｓｔｅｐ），∑－π网络中误差曲面变化梯度较大，因此具有较快的学习收敛速率，能克服ＢＰ网络的不足。按文中所用模拟计算方法，可以建立∑－π网络和ＢＰ网络中学习参数与学习效率、误差曲面特性之间关系数据库，有利于∑－π网络和ＢＰ网络的参数优选、加速收敛和硬件实现。还讨论了∑－π网络和ＢＰ网络的神经生物学基础。     

基于遗传算法和BP神经网络的CTG识别研究

目的:针对正常类、非典型类和异常类3类胎心宫缩监护图(Cardiotocography,CTG),利用BP神经网络建立分类识别模型。方法:根据遗传算法(Genetic algorithm,GA)具有全局寻优的特点,引入遗传算法对神经网络权值和阈值进行优化,形成一种训练神经网络的混合算法(GA-BP算法),以克服BP算法易陷入局部最优解的缺陷,并以UCI数据库中的CTG数据集为例进行测试。结论:仿真结果表明,对于正常类、非典型类和异常类3类样本,BP算法的分类准确率分别为97.32%、71.97%和95.45%,而GA-BP算法的分类准确率分别提高到98.24%、82.67%和95.65%。可见GA-BP分类模型具有较强的学习能力和泛化能力,分类准确度更令人满意,所提出的方法是可行的。     

基于人工神经网络的荧光光谱识别

目的利用人工神经网络的方法对杂质气体的荧光光谱进行识别。方法选用三层前馈型单输出的神经网络结构,学习算法选用自适应的RLS（Recursive Least Square）算法,在对基于RLS算法的三层前馈单输出的神经网络学习训练完成后,引入互联权重删剪算法对网络的输入层进行删剪。网络的结构不但得到了优化,而且计算复杂度也大大降低。提高网络的泛化能力;最后利用优化后的网络对测试样本进行识别。结果仿真实验表明,与删剪前的网络结构相比,在降低了网络的计算复杂度的同时,删剪优化后的正确识别率能够达到100%。结论利用RLS算法能够提高网络的运算速度,在此基础上的删剪算法能够降低计算的复杂度,并且能够对冗余信息进行了剔除,进而提高整个网络的识别能力。     

偏最小二乘法+神经网络用于大肠癌组织自体荧光的模式识别

目的大肠癌组织自体荧光的模式识别算法的优化.方法本文将大肠癌自体荧光光谱的判别分析归结为模式识别问题,并首次采用偏最小二乘法 神经网络判别法,即偏最小二乘法进行模式特征分析,完成特征提取后利用主因子作为人工神经网络输入变量,实现类别预测的同时也完成了数学建模与优化分析工作.结果实践证明,该方法可以以较高的灵敏度、特异性和可靠性对组织荧光光谱进行模式分类.结论该方法优于目前该领域同类判别方法.     

基于卷积神经网络的小细胞型肺癌辅助检测方法

肺癌是世界上患病率并且死亡率最高的疾病之一,而小细胞型肺癌由于密度差最大以及涉及较多的图像因素,是脏器中最容易诊断的癌症。创新性地提出一种新的辅助检测方法,即采取卷积神经网络算法辅助检测小细胞型肺癌,该算法己经在人脸识别、车辆识别和文字判别等领域取得了丰硕的成果。卷积神经网络很好地结合了之前检测算法的优点,又能兼顾准确性,更好地减少误诊率,提高学习效率。此外当有新的学习样本加入,在保持原有学习结果的基础上,只调整神经元的权值就能明显提高诊断率。     

基于卷积神经网络的手势识别算法

手势识别是人机交互、智能假肢、医疗康复等领域的研究热点。为了满足手势识别实时性和准确性的需求,本文以成本较小的加速度信号作为数据,在对LeNet-5卷积神经网络进行分析的基础上,提出了一种适合加速度信号的LeNet-A网络。该网络针对基于加速度的手势分类特有的复杂性,增加Dropout层,改变卷积核大小、卷积核数量、激活函数以及分类器。在Ninapro数据集上的实验结果表明,该网络在正常受试者和截肢者的识别率上均表现出很大的优势,平均精度分别为90.37%和79.99%,比目前最佳分类器提升了12%和31%左右。该网络还具有较好的实时性和抗噪性。     

三电平多态人工神经元网络的结构与特性

对三是平多态电子人工神经元网络的电路结构与特性进行分析。神经元网络的输入端分为高、中、低三种电平，其输出端的状态，不但与输入端的电平组合有关，而且还与上一时刻神经元网络的状态有关，因而组成这一种复杂的多种状态，其真值表可多达３０项以上。这种多态电子神经元网络在组合优化运算和医学模式识别上可有广泛的应用。     

并网模式下基于多代理技术的微电网多目标优化

微电网的经济运行是一个多目标、多约束问题。传统方法将多目标转化为单目标的求解策略往往难以迅速收敛,且在权重的选取上具有很强的主观性。本文提出了一种基于多代理技术的多目标求解策略,考虑微网的整体经济性问题,分别建立发电侧目标代理（PowerAgent）以及需求侧目标代理（LoadAgent）,从而避免了权重的选择。虚拟电价信息作为发电侧代理的协商参数,负荷调度信息作为需求侧代理的协商参数。利用JADE平台提供的Agent通信功能,目标代理之间传递协商参数,优化自身子目标问题,迭代协商,最终达到目标均衡。协商过程保证了微网的整体经济性要求,且两个子目标通过目标代理分布式求解,能够快速收敛。最后通过算例讨论了各代理的行为特征,验证了本文方法的可行性。     

一种前馈网络的新型混合算法

提出了一种针对前馈神经网络的混合算法，该算法将最速下降法与共轭梯度法相结合，有效地改善了传统BP算法收敛速度慢、可能陷入局部极小等缺点。两个仿真结果表明，该算法是有效的。     

疗效预测方法在针刺治疗抑郁症研究中的应用探讨

目的探讨应用神经网络方法进行针刺治疗抑郁症的疗效预测。方法使用量表工具,应用神经网络方法进行疗效预测。选择与抑郁症针刺治疗效果密切相关的因素以及体现中医学整体思想的疾病状态、生活质量等指标作为神经网络的输入变量,将其量化数据赋予网络的输入层,将经治疗后量表的评定结果作为输出变量值。收集病例形成神经网络的训练和测试样本,进行网络的训练和测试,评估网络性能,讨论其临床应用性。结果网络训练误差达到预期目标(均方误差mse=0.0010),对HAMD减分率和SDS减分率的预测拟合度较好,且拟合精度较高;表明网络测试的拟合程度比训练结果的拟合程度差,网络模型对测试样本的预测误差大于对已知样本的预测误差。结论网络模型具有较好的学习能力,而对未知样本的识别能力不及对已知样本的识别能力。通过增加样本量、改进网络模型等途径,有望为临床提供可靠性良好的预测方法。