神經(jīng)網(wǎng)絡(luò)造句

神經(jīng)網(wǎng)絡(luò)造句

• 1、針對(duì)數(shù)字電路路徑時(shí)滯故障測(cè)試生成較難的問(wèn)題，提出了基于神經(jīng)網(wǎng)絡(luò)的數(shù)字電路路徑時(shí)滯故障測(cè)試生成算法。
• 2、以晉城無(wú)煙煤的實(shí)驗(yàn)數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，獲得了較好的過(guò)程模擬結(jié)果。
• 3、在非線性段則用兩個(gè)改進(jìn)的神經(jīng)網(wǎng)絡(luò)分別映射其反函數(shù)作為校正環(huán)節(jié)，從而實(shí)現(xiàn)非線性誤差校正。
• 4、本文采用基于知識(shí)的人工神經(jīng)網(wǎng)絡(luò)模型模擬微帶徑向短截線的特性，利用已經(jīng)具有的先驗(yàn)知識(shí)減小神經(jīng)網(wǎng)絡(luò)輸入輸出映射關(guān)系的復(fù)雜程度有效減少了訓(xùn)練樣本的數(shù)量。
• 5、從信息論角度出發(fā)，利用神經(jīng)網(wǎng)絡(luò)非線性時(shí)間序列預(yù)測(cè)模型，構(gòu)造了油田產(chǎn)油量、產(chǎn)水量的多維時(shí)間序列神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器。
• 6、針對(duì)不同樣本之間存在交叉數(shù)據(jù)的模式識(shí)別問(wèn)題，將多層激勵(lì)函數(shù)的量子神經(jīng)網(wǎng)絡(luò)引入模式識(shí)別之中，提出一種基于量子神經(jīng)網(wǎng)絡(luò)的模式識(shí)別算法。
• 7、本文的目的是利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)離心壓縮機(jī)葉輪的逆命題設(shè)計(jì)。
• 8、該算法經(jīng)兩個(gè)常用函數(shù)檢驗(yàn)，并在圖象識(shí)別的神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練中得到應(yīng)用。
• 9、傳感器數(shù)據(jù)證實(shí)技術(shù)是測(cè)控領(lǐng)域中的關(guān)鍵技術(shù)之一，文中提出了基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的傳感器數(shù)據(jù)證實(shí)技術(shù)。
• 10、神經(jīng)網(wǎng)絡(luò)的控制器依賴(lài)于靈敏度信息實(shí)現(xiàn)參數(shù)在線調(diào)整，獲得靈敏度信息非常重要。
• 11、通過(guò)分析二維線性相位濾波器的幅頻響應(yīng)特性，建立了神經(jīng)網(wǎng)絡(luò)算法。
• 12、本文討論了基于神經(jīng)網(wǎng)絡(luò)理論的控制，并將其應(yīng)用于恒溫恒液位控制系統(tǒng)，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力在線整定控制器參數(shù)。
• 13、將神經(jīng)網(wǎng)絡(luò)用于顏色量化過(guò)程，提出了符合人眼顏色視覺(jué)特性的顏色模糊量化方法。
• 14、目的為提高變風(fēng)量空調(diào)系統(tǒng)的動(dòng)態(tài)控制性能，提出基于預(yù)測(cè)的模糊神經(jīng)網(wǎng)絡(luò)控制方法。
• 15、分別采用人工神經(jīng)網(wǎng)絡(luò)法和逐步回歸分析法對(duì)原油管道蠟沉積實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析處理，建立蠟沉積速率模型。
• 16、提出了一種可分性判據(jù)排序的神經(jīng)網(wǎng)絡(luò)屬性選擇方法。
• 17、本文首先介紹了入口匝道控制和神經(jīng)網(wǎng)絡(luò)理論的背景知識(shí)。
• 18、本文介紹了神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)，一些著名的神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用，以及目前一些大公司的神經(jīng)計(jì)算機(jī)實(shí)用化研究狀況。
• 19、針對(duì)中藥方劑功效歸納問(wèn)題，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)新的高維數(shù)據(jù)歸約方法。
• 20、利用神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)系統(tǒng)中吸引子和吸引域的特性，本文提出了一類(lèi)新型非線性糾單錯(cuò)碼。
• 21、研究結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)用于陶瓷原料的模式識(shí)別，其結(jié)果和實(shí)際一致。
• 22、鑒于該方法只能識(shí)別梁中的單處損傷，提出了結(jié)合移動(dòng)質(zhì)量法和神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)損傷識(shí)別的方法。
• 23、研究結(jié)果表明，基于灰色關(guān)聯(lián)度和神經(jīng)網(wǎng)絡(luò)的城市生活垃圾清運(yùn)量和組分預(yù)測(cè)模型能有效的預(yù)測(cè)城市生活垃圾的清運(yùn)量和組分，具有較好的可行性和適用性。
• 24、第三類(lèi)觀點(diǎn)以聯(lián)結(jié)和人工神經(jīng)網(wǎng)絡(luò)概念為要素，分別探討了心理場(chǎng)距離和規(guī)避損失偏向?qū)x擇偏好的影響。
• 25、文中將數(shù)據(jù)挖掘應(yīng)用于保險(xiǎn)客戶(hù)在信用等級(jí)的分類(lèi)中，即采用了基于神經(jīng)網(wǎng)絡(luò)的覆蓋算法作為客戶(hù)信用評(píng)分分類(lèi)器的設(shè)計(jì)算法。
• 26、人工智能和人工神經(jīng)網(wǎng)絡(luò)是智能科學(xué)發(fā)展的兩個(gè)方向，機(jī)器人技術(shù)是目前取得的階段性的重大成果。
• 27、將上述各單項(xiàng)改進(jìn)方法結(jié)合運(yùn)用，提出了改進(jìn)的神經(jīng)網(wǎng)絡(luò)。
• 28、這種方法對(duì)高斯噪聲和星座圖由于信號(hào)初始相位而引入的旋轉(zhuǎn)具有良好的穩(wěn)健性，并避免了神經(jīng)網(wǎng)絡(luò)中的過(guò)學(xué)習(xí)和局部極小點(diǎn)等缺陷。
• 29、提出一種船舶航跡保持的在線神經(jīng)網(wǎng)絡(luò)控制器。
• 30、采用前向神經(jīng)網(wǎng)絡(luò)建模的軟測(cè)量方法，對(duì)造紙過(guò)程制漿工段的黑液波美度進(jìn)行測(cè)量。
• 31、基于模糊數(shù)學(xué)評(píng)價(jià)法和神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法的優(yōu)點(diǎn)，提出了一種新的大氣質(zhì)量評(píng)價(jià)模型。
• 32、提出了基于徑向基神經(jīng)網(wǎng)絡(luò)的衛(wèi)星地面站系統(tǒng)建模方法。
• 33、神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性逼近能力和自學(xué)習(xí)能力。
• 34、針對(duì)一類(lèi)非線性動(dòng)態(tài)系統(tǒng)，提出了一種新的基于多層神經(jīng)網(wǎng)絡(luò)的自適應(yīng)預(yù)測(cè)器，并對(duì)基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)機(jī)理進(jìn)行了分析。
• 35、提出了利用層次徑向基神經(jīng)網(wǎng)絡(luò)計(jì)算汽輪機(jī)末級(jí)抽汽和排汽焓的方法，該方法利用汽輪機(jī)結(jié)構(gòu)數(shù)據(jù)和實(shí)際監(jiān)測(cè)數(shù)據(jù)估算焓值。
• 36、設(shè)計(jì)了一種以器件為控制核心，以模糊神經(jīng)網(wǎng)絡(luò)控制為主要算法的智能冷陰極潘寧氣體離子源束流控制系統(tǒng)。
• 37、在對(duì)神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)的三個(gè)假設(shè)下，研究了具有離散時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。
• 38、具體是將所有的樣本投影到特征臉子空間中，并將每一個(gè)樣本得到的特征系數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入。
• 39、軸突生長(zhǎng)抑制性蛋白在正常發(fā)育過(guò)程中主要參與調(diào)控軸突導(dǎo)向、引導(dǎo)軸突生長(zhǎng)，協(xié)助構(gòu)建精確的神經(jīng)網(wǎng)絡(luò)。
• 40、將文化差分進(jìn)化算法用于訓(xùn)練補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)，建立乙烯精餾塔產(chǎn)品質(zhì)量軟測(cè)量模型。
• 41、我們傳統(tǒng)的分析很多都是基于指數(shù)的假設(shè)，這個(gè)就是割尾巴，到后面就是沒(méi)尾巴，這樣就把長(zhǎng)尾信號(hào)都過(guò)濾掉了，我可能是需要一些基于神經(jīng)網(wǎng)絡(luò)的方式。 (好工具h(yuǎn)ao86.com)
• 42、然后通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)把這些知識(shí)儲(chǔ)存于神經(jīng)網(wǎng)絡(luò)的權(quán)值中，幷在其它的地震輸人下使用。
• 43、回顧了近年來(lái)幾種主要混沌神經(jīng)元模型及混沌神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展，介紹了其特點(diǎn)及主要的應(yīng)用。
• 44、收集了原位測(cè)試數(shù)據(jù)，并結(jié)合瑞雷面波波速參數(shù)，開(kāi)展多參數(shù)擬合和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)地基承載力的研究。
• 45、提出基于粗神經(jīng)網(wǎng)絡(luò)確定影響礦內(nèi)通風(fēng)風(fēng)流穩(wěn)定性主要風(fēng)路的方法。
• 46、本文以提高控制器的控制效果為目標(biāo)，將神經(jīng)網(wǎng)絡(luò)與控制相結(jié)合，分別對(duì)單變量系統(tǒng)和多變量系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的控制進(jìn)行了深入研究和探索。
• 47、本文在分析二值感知器神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)二值數(shù)字邏輯運(yùn)算后，將其推廣到多值邏輯。
• 48、最后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)鋒電位信號(hào)進(jìn)行分類(lèi)。
• 49、在對(duì)員工素質(zhì)測(cè)評(píng)數(shù)據(jù)分析的基礎(chǔ)上，建立了一套能夠模擬統(tǒng)計(jì)人員對(duì)測(cè)評(píng)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算的神經(jīng)網(wǎng)絡(luò)測(cè)評(píng)系統(tǒng)。
• 50、本文采用一類(lèi)正交多項(xiàng)式集合作為神經(jīng)元的激勵(lì)函數(shù)，構(gòu)成一個(gè)正交多項(xiàng)式基神經(jīng)網(wǎng)絡(luò)。
• 51、他還說(shuō)，將來(lái)的研究會(huì)將和成像技術(shù)結(jié)合起來(lái)，從而鞏固作者的推測(cè)，即腦細(xì)胞的興奮性構(gòu)建了神經(jīng)網(wǎng)絡(luò)，導(dǎo)致了聯(lián)覺(jué)。
• 52、實(shí)驗(yàn)結(jié)果表明，雙電源二次激勵(lì)法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以實(shí)現(xiàn)型砂有效粘土含量和含水量的快速在線預(yù)測(cè)。
• 53、最終采用了基于主分量分析的神經(jīng)網(wǎng)絡(luò)模型對(duì)油氣勘探成本進(jìn)行了預(yù)測(cè)，并證明了其具有較高的預(yù)測(cè)精度。
• 54、對(duì)處于擾動(dòng)狀態(tài)下的預(yù)分餾塔的仿真結(jié)果表明，該算法可以有效地解決一類(lèi)多神經(jīng)網(wǎng)絡(luò)模型的在線參數(shù)辨識(shí)問(wèn)題。
• 55、針對(duì)峰值法中測(cè)量路徑規(guī)劃問(wèn)題，提出了基于參數(shù)模型學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器。
• 56、采用神經(jīng)網(wǎng)絡(luò)，建立煉銅轉(zhuǎn)爐吹煉造銅期終點(diǎn)與各影響因素之間的數(shù)學(xué)模型，對(duì)吹煉終點(diǎn)進(jìn)行預(yù)報(bào)。
• 57、只要用戶(hù)輸入對(duì)新結(jié)構(gòu)的描述，選擇算法庫(kù)中一種合適的算法就能通過(guò)軟件自動(dòng)生成神經(jīng)網(wǎng)絡(luò)程序。
• 58、結(jié)果表明：利用人工神經(jīng)網(wǎng)絡(luò)模型的非線性映射功能，可以較好地給出工程爆破引起的近區(qū)自由場(chǎng)力學(xué)規(guī)律，對(duì)于同類(lèi)型問(wèn)題的研究，也有著很重要的意義。
• 59、通過(guò)優(yōu)化組合小波基元激勵(lì)函數(shù)，大大減小了小波神經(jīng)網(wǎng)絡(luò)的規(guī)模，改善了網(wǎng)絡(luò)學(xué)習(xí)特性。
• 60、只有在成因上，無(wú)條件反射是根據(jù)遺傳信息形成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而條件反射是后…
• 61、本文運(yùn)用計(jì)算機(jī)視覺(jué)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)花生仁檢測(cè)進(jìn)行了研究。
• 62、在稅務(wù)稽查選案中，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了稽查選案，表明這一方法是數(shù)據(jù)挖掘的有效方法。
• 63、本文提出一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它由線性網(wǎng)絡(luò)和多層前向網(wǎng)絡(luò)兩部分組成。
• 64、在麻花鉆圓度誤差的檢測(cè)中，將神經(jīng)網(wǎng)絡(luò)算法引入到相應(yīng)的數(shù)據(jù)處理中，以擬合出其棱邊投影的橢圓表達(dá)式系數(shù)。
• 65、對(duì)神經(jīng)網(wǎng)絡(luò)輸出值和實(shí)際值的均方誤差及對(duì)比曲線分析的結(jié)果表明，該方法對(duì)解決工程實(shí)際中預(yù)測(cè)問(wèn)題具有一定的指導(dǎo)意義。
• 66、提出了一種基于神經(jīng)網(wǎng)絡(luò)的非線性失真補(bǔ)償技術(shù)。
• 67、布拉德利總共找到了七個(gè)關(guān)鍵的因素，其中包括了他創(chuàng)造的神經(jīng)網(wǎng)絡(luò)的判斷，同時(shí)他認(rèn)為這個(gè)因素對(duì)預(yù)測(cè)股票走勢(shì)是有幫助的。
• 68、以峰峰礦區(qū)梧桐莊礦為例，應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，對(duì)礦井突水水源進(jìn)行了系統(tǒng)研究。
• 69、用前向神經(jīng)網(wǎng)絡(luò)，對(duì)純物質(zhì)的蒸氣壓和汽化熱與溫度的函數(shù)關(guān)系進(jìn)行預(yù)測(cè)。
• 70、利用光學(xué)衍射原理，研制成了光纖光柵衍射屏，并與計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)相結(jié)合，開(kāi)發(fā)了一種識(shí)別立體形狀的視覺(jué)系統(tǒng)。
• 71、采用神經(jīng)網(wǎng)絡(luò)方法建立了重軌生產(chǎn)性能預(yù)報(bào)模型，并通過(guò)模型結(jié)構(gòu)優(yōu)化提高了模型預(yù)報(bào)的可靠性。
• 72、然后采用前向神經(jīng)網(wǎng)絡(luò)進(jìn)行整經(jīng)軸數(shù)預(yù)測(cè)。
• 73、所用的神經(jīng)網(wǎng)絡(luò)算法是從輸入信號(hào)的數(shù)據(jù)中訓(xùn)練出中心值和寬度值，再訓(xùn)練通過(guò)用最大熵值的代價(jià)函數(shù)推導(dǎo)的權(quán)值。
• 74、面對(duì)板形板厚控制這一復(fù)雜、多變量耦合的非線性系統(tǒng)，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的綜合控制方案，實(shí)現(xiàn)了無(wú)模型板形板厚綜合控制。
• 75、使用阿斯匹林粉末藥品的近紅外漫反射一階導(dǎo)數(shù)光譜數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)未知樣品。
• 76、采用了神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制方法，改善了非線性，降低了環(huán)境干擾的影響，提高了壓電式移相器的性能。
• 77、文中介紹光互連的特點(diǎn)、功能、形式，以及在光計(jì)算機(jī)和光神經(jīng)網(wǎng)絡(luò)中的作用。
• 78、以單輛坦克在陸地上的自主機(jī)動(dòng)為背景，提出了一種基于神經(jīng)網(wǎng)絡(luò)的坦克機(jī)動(dòng)任務(wù)規(guī)劃方法。
• 79、灌溉用水量的預(yù)測(cè)對(duì)于灌區(qū)管理工作具有重要的指導(dǎo)意義，使用神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)灌溉用水量。
• 80、神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差值的選取是一個(gè)具有挑戰(zhàn)性的問(wèn)題。
• 81、建立了自壓式樹(shù)狀管網(wǎng)兩級(jí)優(yōu)化設(shè)計(jì)模型，并用人工神經(jīng)網(wǎng)絡(luò)法實(shí)現(xiàn)樹(shù)狀管網(wǎng)非線性規(guī)劃模型的快速求解。
• 82、最后，提出了綜合信息融合技術(shù)、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、專(zhuān)家系統(tǒng)知識(shí)的智能化異步電動(dòng)機(jī)故障診斷系統(tǒng)。
• 83、針對(duì)光通量衰減與濕度、塵埃比率和鹽密之間相互作用的復(fù)雜性，建立了神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，訓(xùn)練后的模型輸出準(zhǔn)確度較高。
• 84、本文創(chuàng)新地在凌陽(yáng)單片機(jī)內(nèi)實(shí)現(xiàn)敲擊聲信號(hào)的頻譜分析和神經(jīng)網(wǎng)絡(luò)識(shí)別，使系統(tǒng)具有墻體空鼓無(wú)損檢測(cè)的功能。
• 85、以漫灣徑流實(shí)測(cè)序列為研究對(duì)象，在數(shù)值試驗(yàn)的基礎(chǔ)上找到了適合于漫灣徑流序列預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型結(jié)構(gòu)，提高了該模型的預(yù)報(bào)準(zhǔn)確性。
• 86、該法通過(guò)對(duì)粘彈性阻尼結(jié)構(gòu)進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)置，從而可以考慮不同地震動(dòng)特性的影響。
• 87、結(jié)果表明：神經(jīng)網(wǎng)絡(luò)具有實(shí)測(cè)樣本的自學(xué)習(xí)功能，對(duì)橋梁施工預(yù)拱度有較好的精度。
• 88、提出了一種用于船舶噪聲分類(lèi)的局域自適應(yīng)子波神經(jīng)網(wǎng)絡(luò)分類(lèi)方法。
• 89、本文提出一種基于自適應(yīng)預(yù)測(cè)的無(wú)損壓縮方法，該方法利用神經(jīng)網(wǎng)絡(luò)模型自學(xué)習(xí)的能力，自適應(yīng)的調(diào)整預(yù)測(cè)器的預(yù)測(cè)系數(shù)。
• 90、同時(shí)介紹了相應(yīng)水位法、有限記憶最小二乘法、人工神經(jīng)網(wǎng)絡(luò)模型的基本原理，并在南京站建立了相應(yīng)的潮位預(yù)報(bào)方案。
• 91、該文提出了一種采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)仿真線的方法。
• 92、根據(jù)影響水面蒸發(fā)的主要?dú)庀笠蛩?，利用人?em class="special">神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、記憶功能，研究了一種新的水面蒸發(fā)計(jì)算方法。
• 93、針對(duì)超高壓、大容量電力變壓器的早期潛伏性故障，提出了一種基于數(shù)學(xué)形態(tài)學(xué)融合多神經(jīng)網(wǎng)絡(luò)的故障診斷新方法。
• 94、本文基于“雙電源二次激勵(lì)法”的基本原理，并利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)求得型砂含水量及有效粘土含量。
• 95、應(yīng)用地震相分析、波阻抗反演和神經(jīng)網(wǎng)絡(luò)技術(shù)，分別對(duì)小洼油田和陳家洼陷的隱蔽油氣藏進(jìn)行了識(shí)別和預(yù)測(cè)。
• 96、在第四章，我們給出了變時(shí)滯高階神經(jīng)網(wǎng)絡(luò)模型周期解存在及其全局指數(shù)穩(wěn)定的幾個(gè)充分性定理。
• 97、文章在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，建立了黑體爐溫度時(shí)序預(yù)測(cè)模型。
• 98、在此基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建了金屬錳滲氮過(guò)程的數(shù)學(xué)模型，為研究金屬錳在不同滲氮條件下的性能預(yù)測(cè)奠定了基礎(chǔ)。
• 99、針對(duì)嚴(yán)重非線性失真信道，提出了一種級(jí)聯(lián)混合小波神經(jīng)網(wǎng)絡(luò)自適應(yīng)高均衡器。
• 100、介紹一種用循環(huán)多層感知器神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)符號(hào)邏輯推理系統(tǒng)的方法。