神经网络方法

摘要： 采用神经网络模型对边坡的稳定性进行预测是目前一种先进的手段,但准确性有待提高。该文基于ELM人工神经网络方法,对现场实时监测数据组合权重,并得到初步预测结果序列,最后提出基于变形预测和检验的判断预测模型。采用学习机方法对结果进行误差修正,并与初步结果叠加得到稳定序列预测值。最后利用Mann-Kendall和秩相关性趋势检验进行验证测试,以某滑坡为例,对模型进行验证,结果表明,预测结果与实际情况较为吻合,研究方法可实现滑坡的预测并为相似滑坡的变形预测提供新方法。

摘要： 皮肤病的发生和外界诱发因素有一定相关性,其中空气质量因素是重要因素之一.通过对一定时间段内的门诊病例分析,以痤疮为代表划分了门诊病例中皮肤病易发性的程度等级,结合同期的空气质量指标的变化情况,应用人工神经网络方法,建立了分析痤疮皮肤病和空气质量指标相关性的预测模型,探讨了皮肤病风险预测的新的途径.

摘要： 为建立适用于畸变容限控制技术的航空发动机进气总压畸变估算方法,采用基于神经网络方法,以飞机试飞测量数据为基础,分别开展了发动机进口总压流场和稳态周向畸变指数重构方法研究.以壁面静压、发动机进口面中心点总压以及攻角、侧滑角数据分别构建了三种不同输入参数组合的神经网络模型,并对比分析了各模型的重构精度和适用性.结果表明:采用神经网络方法可以较好地建立壁面静压、飞行参数与发动机进口总压分布和稳态周向畸变指数的映射模型;以壁面静压、发动机进口面中心总压、攻角和侧滑角为输入的神经网络模型,对于总压流场重构和稳态周向畸变指数重构都具有最佳的重构精度;采用先重构流场总压分布再计算稳态周向畸变指数的间接方法相对于直接重构稳态周向畸变指数的方法具有更高的重构准确性;对于与建模飞机具有相同进气道结构和布局的飞机,训练完成的神经网络模型对总压流场重构具有一定的适应性,对稳态周向畸变指数重构适用性差.

摘要： 近年来,随着时代的不断发展,国内外科学技术也实现了飞跃式发展,大数据时代已成为当下时代发展主流。大数据分析的神经网络方法虽然是仿生学的产物,但却是大数据分析平台中不可或缺的一部分,也是衔接数据平台和数据展示的关键环节,被广泛应用在语音识别、计算机视觉应用等领域中。本文从大数据特点和关键技术作为切入点,分析和研究大数据分析的神经网络方法,主要从计算机视觉和智能语音识别这两方面的实际应用进行了探讨,以便为其理论研究提供参考。

摘要： 通过介绍一类线性微分方程两点边值问题的神经网络方法,分析神经网络模型中网络拓扑结构及样本量对计算结果的影响,并通过数值实验进行验证,为该方法在求解两点边值问题的推广提供参考.

摘要： 通过介绍一类线性微分方程两点边值问题的神经网络方法,分析神经网络模型中网络拓扑结构及样本量对计算结果的影响,并通过数值实验进行验证,为该方法在求解两点边值问题的推广提供参考.

摘要： 以武汉市王家湾地铁车站2012年沉降监测资料为例,利用奇异谱分析(SSA)方法重点对沉降趋势进行了处理和分析,并结合神经网络方法进行了沉降趋势的预测.结果表明,SSA方法可以获取较准确的地铁沉降变化趋势,结合神经网络方法,相对其他方法,可以实现较长时期的沉降趋势预测.

摘要： 随着当代科学技术的飞速发展，模拟集成电路的网络规模日益扩大，导致了电路的故障类型多样性和测试节点可及性等问题，从而增大了元件级故障定位的难度，同时因为电路模块化程度的不断提高，电路元件级故障诊断的必要性随之不断降低，因此大规模电路故障诊断的研究重点逐渐转为对模块级故障诊断的理论和方法的研究。

摘要： 本文采用神经网络算法，对搭接粘接结构的法向劲度系数进行预测。在保证预测精度的前提下，通过增加反馈修正和网络验证，实现界面法向劲度系数的预测。通过与模拟退火算法的反演结果进行对比，结果表明神经网络方法不仅在时间上具有优势，且可以使用较少的训练样本，对同一系列搭接粘接样品的界面法向劲度系数进行大规模的预测。

摘要： 该文从试井理论分析出发，利用压力导数曲线的固有特征，由神经网络建立实测曲线与其对应理论曲线间的映射关系，采用坐标平移的方式将实测曲线移动到对应理论曲线位置。利用二值化方法将试井压力导数曲线表示成二值向量形式，可有效维护理论曲线和实测曲线的原始模式特征，从而使得所构造的神经网络能够正确识别测曲线的模式类别。研究表明，对于存在早期和后期不完整的实测试井曲线的试井解释模型，点向量神经网络方法的正确识别率很低，而坐标平移与二值化处理的神经网络方法可全部正确识别。此外，在应用坐标平移及二值化神经网络方法识别试井解释模型的同时，还可以对模型参数进行初步估计。

摘要： 本发明提供一种不需要偏置的神经网络电路装置、神经网络、神经网络处理方法和神经网络的执行程序。二值化神经网络电路(100)具有：输入输入值x1～xn(xi)(二值)的输入节点和输入权重w1～wn(wi)(二值)的输入部(101)；XNOR门电路(102)，其接收输入值x1～xn和权重w1～wn，且进行XNOR逻辑运算；求和电路(103)，其求出各XNOR逻辑值的总和；批归一化电路(41)，其通过扩大归一化范围且使中心位移的处理来修正由二值化导致的分布不平衡；和激活函数电路(35)，其使用激活函数fsgn(B)对信号B进行转换，其中所述信号B是对求出总和之后的信号Y进行批归一化得到的信号。

摘要： 本发明提供一种无需批归一化电路的神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序。二值化神经网络电路(100)具备：输入输入值x1～xn(xi)(二值)的输入节点及输入加权w1～wn(wi)的输入部(101)、接收输入值x1～xn及加权w1～wn并采用XNOR逻辑的XNOR门电路(102)、输入多位偏置W'的多位偏置W'输入部(110)、取各XNOR逻辑值和多位偏置W'的总和的求和电路(103)及对于取总和后的信号Y仅输出符号位的激活电路(120)。

摘要： 本发明提供了一种生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法，以及相关设备和系统。一方面，提供了一种训练用于环境中对象的自主操作的神经网络的方法，包括：基于样本数据集生成策略值；基于所述策略值生成近似动作值函数；通过所述近似动作值函数为所述样本数据集中的所有状态以及所有可能动作生成近似策略值集；基于近似策略值计算所述神经网络的训练目标；计算训练误差作为所述训练目标和所述样本数据集中对应的状态动作对的策略值之间的差值；更新所述神经网络的至少一些参数以最小化所述训练误差。

摘要： 本发明提高数据并行型分散学习的吞吐量。神经网络系统具有存储器和访问存储器的多个处理器，多个处理器中的每一个处理器在多次学习中的每一次学习中，基于训练数据的输入和神经网络内的参数执行神经网络的运算来计算神经网络的输出，计算计算出的输出与训练数据的教师数据的差分相对于参数的梯度或者基于梯度的更新量，(1)在梯度或者更新量的累积不小于阈值的第一情况下，执行多个处理器将分别计算出的多个梯度或者更新量的累积发送到多个处理器内的其它的处理器来汇集多个梯度或者更新量的累积，接收汇集后的梯度或者更新量的累积，用汇集后的梯度或者更新量的累积更新参数的第一更新处理，(2)在梯度或者更新量的累积小于阈值的第二情况下，执行多个处理器不进行基于发送的多个梯度或者更新量的累积的汇集，用多个处理器分别计算出的梯度或者更新量更新各自的参数的第二更新处理。

摘要： 本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。

摘要： 根据本发明的分布式处理用人工神经网络运算加速装置可以具有：外部主存储器，存储针对输入神经元的输入数据和突触权重；内部缓冲存储器，存储构成所述人工神经网络运算的各个循环所需的突触权重和输入数据；DMA模块，用于与所述外部主存储器及内部缓冲存储器直接发送和接收数据；神经网络运算装置，针对构成人工神经网络运算的各个循环重复地处理以下一系列顺序过程：读取存储在所述内部缓冲存储器的突触权重和输入数据、执行人工神经网络运算、将运算结果存储在所述外部主存储器；CPU，用于控制在所述外部主存储器和内部缓冲存储器存储针对输入神经元的输入数据和突触权重的操作和所述神经网络运算装置的运行；及通用通信中介块，可以与无关集成电路的类型地以物理方式连接的其他加速装置发送和接收针对所述输入神经元的输入数据和突触权重以及在所述神经网络运算装置执行的运算结果。

摘要： 一种卷积神经网络(CNN)处理装置(1)，设置有：输入缓冲器(10)，用于存储要对CNN应用的输入信号A；权重缓冲器(11)，用于存储权重U；卷积运算单元(12)，执行包括输入信号A与权重U之间的乘积‑求和运算的卷积运算；存储单元16，存储表(160)，在该表中，转换‑量化处理的输入与输出彼此相关联，其中，转换‑量化处理接受卷积运算的运算结果作为所述输入，基于预定条件来转换输入值，通过降低转换后的数据的比特精度来进行量化，并且输出结果；以及处理单元(14)，参考表(160)以获取转换‑量化处理的与卷积运算的运算结果相对应的输出。

摘要： 本发明提供一种能够通过减少存储器数量而将其配置在芯片上的神经网络电路装置、神经网络处理方法和神经网络的执行程序。三状态神经网络电路(200)具有非零卷积运算电路(21)、求和电路(22)和激活函数电路(23)，其中，所述非零卷积运算电路(21)在中间层中接收用于进行卷积的输入值Xi和权重Wi来进行卷积运算；所述求和电路(22)求取通过卷积运算得到的各运算值和偏置W0的总和；所述激活函数电路(23)用激活函数f(u)对求取总和得到的信号Y进行转换。非零卷积运算电路(21)跳过权重Wi为零的权重，来根据非零权重和与该非零权重对应的输入值Xi进行卷积运算。

摘要： 一种用于处理包括运算处理图在内的神经网络模型的神经网络系统，该神经网络系统包括运算处理器，其中该运算处理图包括多个运算，该运算处理器包括存储第一模块输入特征图的内部存储器。该运算处理器被配置为：基于所存储的第一模块输入特征图，通过执行多个运算中的第一运算来获得第一分支输出特征图；以及基于所存储的第一模块输入特征图，通过执行多个运算中的第二运算来获得第二分支输出特征图。该内部存储器在执行第一运算时保持对第一模块输入特征图的存储。

摘要： 本发明的图像拍摄方法包括：在分析空间(40)中在以相等步长移位的焦平面位置(50)处用显微镜拍摄图像；以及从所拍摄的图像中选择图像以用于进一步的图像处理。对填充在分析空间(40)中的液体的沉淀物(31)拍摄图像，所述分析空间位于适于分析液体的容器(30)的透明上窗口部分(11)和透明下窗口部分(21)之间，其中沉淀物(31)在下窗口部分(21)的内部平坦表面上被离心，并且其中所述方法包括：在分析空间(40)的第一空间区域(41)中拍摄第一深度图像序列，并且从第一深度图像序列中选择具有最佳对比度的图像用于进一步的图像处理，并且通过考虑先前步骤在分析空间(40)的第二空间区域(42)中拍摄第二深度图像序列，其中第二深度图像序列具有比第一深度图像序列更少的图像，并且从第二深度图像序列中选择具有最佳对比度的图像用于进一步的图像处理。本发明还涉及一种图像分析方法、一种用于训练图像分析神经网络的方法以及一种基于上述方法的图像分析神经网络。