基于人工神经网络在模具数控加工中的应用

形状特殊的模具在加工之前,应先根据一些已知条件确定出合理的加工参数,而获得最佳加工参数的途径之一就是用最优化技术对问题求解.由于模具数控加工中加工参数与加工质量之间存在高度的非线性关系,而人工神经网络(Artificial Neural Networks简称ANN)又十分擅长表达输入输出关系不明确的高度非线性关系,故基于ANN的优化设计,是解决模具数控加工技术参数优化的有效途径.     

人工神经网络在生物化学中的应用

本文论述了生物化学中模式识别、定量构效关系、化合物结构解析等运用人工神经网络进行计算的方法。     

人工神经网络在农业中的应用

本文介绍了人工神经网络的历史发展概况、基本结构和原理、主要特点.综述了人工神经网络历年来在农业信息科学领域的应用情况.     

人工神经网络在农业中的应用研究

本文回顾了人工神经网络技术在国内外农业领域中的应用情况,对其在农业中的应用前景进行展望。     

人工神经网络在农业自然资源研究中的应用

人工神经网络是一种模拟人脑思维过程的计算模型,具大规模并行处理、信息分布式存储、较强自适应性、自组织性和容错性等优良特性,在非线性关系模拟中更具优势。在对人工神经网络和农业自然资源进行简单介绍的基础上,综述了人工神经网络在农业自然资源研究领域中,在预测预报、评价(评估)、分类和识别以及优化计算方面的应用,并对人工神经网络的应用前景作了概括性的展望。     

人工神经网络在农产品干燥中的应用

综述了人工神经网络技术在农产品干燥领域的应用现状,包括人工神经网络在参数预测、在线预测、智能预测控制、模型预测、结果预测、仿真检验中的应用。并对这项技术的应用做了进一步展望。     

人工神经网络在恶性肿瘤诊断中的应用

本研究将人工神经网络方法用于人血清荧光光谱法诊断癌症，采用反向传播神经网络方法，建立识别人血清荧光光谱的网络模型，参数经过训练，平均识别率高达94％。     

人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

人工神经网络在汽油发动机故障诊断中的应用

结合专家系统与模拟神经网络技术,通过对汽车发动机废气中ＨＣ,ＣＯ,ＣＯ２和Ｏ２含量的分析进行故障推理和诊断,首无由人工神经网络模块进行故障分类,再经专家系统给出解释并进一步推理,得到具体的诊断结果,从而实现发动机常见故障的快速智能化诊断。     

人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

基于人工神经网络的人体体质综合评价模型的建立

人体体质各测试指标与人体综合体质之间存在着复杂的非线性关系，为了客观准确的评价人体体质的综合水平，选取体质各测试指标作为输入，基于体质研究专家经验的体质综合评价结果为期望输出．引入人工神经网络BP网络模型建立了体质综合评价模型。实际应用结果表明，所建立的体质综合评价模型拟合精度高．评价效果好，能较真实地反映人体体质的综合水平。     

模拟人工神经网络对小麦吸浆虫发生程度的预测

根据神经网络建模的基本原理,对陕西省关中地区小麦吸浆虫的发生程度资料进行处理分析,建立了神经网络发生适合度预测模型。结果表明:该方法的预测精度达到100%,为害虫的长期发生预测提供了一种新的方法。     

水质预测的因素状态网络模型研究

通过对因素神经网络理论的研究,提出了因素状态BP网络;通过将信息扩散原理和落影技术结合,形成信息扩散式落影,并与因素状态BP网络有机结合,解决了知识非完备性的问题以及由于训练样本有矛盾样点而使平凡BP因素网络无法训练出结果的问题.以此建立的水质预测的因素状态人工神经网络模型应用于丹江口水库,获得了令人满意的结果.     

基于ANN的轴流脱粒与分离装置性能指标预测

影响水稻轴流脱粒与分离装置性能指标的因素很多,并且它们之间存在着复杂的非线性关系,用传统方法很难对其进行准确预测。神经网络算法简单、学习收敛速度快、具有线性、非线性逼近精度高等特性。本文以正交旋转组合实验获得的数据作为样本,对人工神经网络(ANN)模型进行训练学习,利用训练后所得到的模型,对性能指标进行了预测。结果表明,网络预测值与实测值之间具有很高的相关性和精确度,为机械性能指标研究提供了一定的理论辅助手段。     

玉米品种识别多算法模型比较研究

为了比较玉米品种图像识别中各种神经网络识别模型的性能,搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像,基于图像的统计特征,分别研究了7种人工神经网络(ANN)模型(BP、rbf、grnn、pnn、compet、sofm、ELM)的识别性能,进一步考察了极限学习机(ELM)、支持向量机(SVM)模式分类过程性能。结果表明,在同样的情况下SVM模型较ANN模型的特征识别率高,另外神经网络模型grnn和ELM识别效果较好,其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%,另外,所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果。这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。     

人工神经网络用于红曲杨梅果酒生产工艺的优化

将人工神经网络技术与传统正交试验方法相结合,提出一种新的试验数据分析和处理方法,利用神经网络特有的自学习能力,通过仿真、评估和优化,分别获得了红曲杨梅果酒糖化和发酵的最优工艺.将该优化工艺应用于实际生产中,所得的杨梅果酒口感醇和、风味独特且具有丰富的营养价值,取得了较好的效果.     

基于人工神经网络的林分直径分布预测

以马尾松人工林为研究对象,用人工神经网络建模技术构建了林分直径分布预测模型。经训练和优选,得到的理想模型结构为3∶6∶6∶1,训练误差指标为0.000281,总体拟合准确度为98%。模型对82块训练标准地的累积频率拟合准确度最大为100%,最小为95%,平均为98%;频率拟合准确度最大为96%,最小为75%,平均为87%。模型对18块检验标准地的累积频率预测准确度最大为99%,最小为97%,平均为98%;频率预测准确度最大为96%,最小为76%,平均为88%。所建模型具有很好的拟合效果和很强的预测能力,可用于10～30年生马尾松人工林。研究结果证明,人工神经网络技术可以作为有效的林分直径分布预测技术。     

光倒刺鲃人工繁殖技术研究

光倒刺鲃人工繁殖试验结果表明,采用LRH-A3催熟后用3mg/kg PG 3μg/kg LRH-A2 3mg/kg DOM催产,光倒刺鲃亲鱼的繁殖率达83.3%;以塑料篮盛受精卵微流水孵化,孵化率达79.8%;光倒刺鲃人工繁殖适宜水温为23~27℃;桂东地区最适宜的人工繁殖季节为5月中旬至6月末。应用小试成果进行生产性试验,共催产雌鱼312尾,其中产卵鱼275尾,亲鱼繁殖率88.1%;获得受精卵59.9万粒,平均受精率87.8%;孵出鱼苗45.7万尾,平均孵化率76.3%。     

渭河下游洪水预报的人工神经网络模型研究

简述了江河防洪的重要性和洪水预报在江河防洪决策中的作用 ,建立了渭河下游干流临潼断面和华县断面洪峰流量预报的人工神经网络 (ANN)模型。模型评定和检验表明 ,ANN模型的预报效果比传统的统计相关模型有明显的改善 ,而且有利于模型评定与检验精度间的合理协调 ,以及洪水预报与防洪决策的智能化管理。     

林火烟雾图像自动识别中的模式分类器选择

探索了支持向量机（SVM）方法解决由脉冲耦合神经网络（PCNN）提取的林火烟雾图像特征后的计算机视觉模式识别问题。针对由于林火烟雾图像的纹理特征不突出,即便用特殊方法提取出来的特征向量也维数较高,对后续分类器性能提出较高要求并且分类效果存在很大的未知性等问题,通过实验,对3种人工神经网络分类器和支持向量机分类器的烟雾图像特征甄别效果进行了详细对比。结果表明:基于支持向量机的分类器在复杂的森林背景情况下对烟雾有很好的分辨能力,其识别准确率达到94.26%,并且在识别准确率和分类速度两方面都超过了作为对照的3种神经网络分类器。