两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

时变时滞的BAM神经网络的指数稳定性分析

引入一种全新的BAM神经网络系统,通过一种变换变为易于处理的情形,并用LMI(线性矩阵不等式)的方法对它进行了指数稳定性分析;介绍了一维和二维的两种模型,两种模型存在着很多相同点.     

前馈控制视阈下对学生评教的再认识

针对由于认知偏差,导致学生评教过程中出现学生敷衍、教师排斥的现象,本文以控制论为指导,提出在前馈控制视阈下,从源头上引导师生树立正确的评教观念,把关注于评教结果的视角前移,转变为突出评教前师生认知偏差的矫正和疏解,以期达到正本清源的效果和营造课堂教学质量意识的文化氛围。     

从反馈到前馈：人与技术之间的哲学反思

反馈和前馈是思考人与技术之间的复杂关系的两个要点。反馈倾向于闭环的系统,进而将未来的偶然最终归入过去的规范。而前馈则相反,它虽然最初只是作为反馈控制的一种辅助和补充,但经由理查兹和麦克卢汉等人的发展,则日益展现出朝向未来的开放性和持续生成的变化性。然而,此种对于人与技术彼此共生、共同进化的技术乐观主义,在海尔斯和汉森为代表的学者那里遭遇到了深刻的质疑和挑战。面对前馈所加速趋向的那个彻底数字化和虚拟化的未来,他们皆不约而同地回归身体这个基础维度来进行回应甚至抵抗。在汉森全面论述数字身体的三部曲中,人与技术、身体与数字之间的关系也逐步呈现出鲜明的转变,从连接和交织,转向界面之间隙,最终则导向了前馈的时间性裂痕。在这个裂痕之处,不仅突显出体验这个主体性的重要维度,更是为我们重思21世纪媒介之变化提供了可贵的线索和背景。     

动态联盟企业合作伙伴的选择评判分析

首先建立动态联盟企业合作的评价指标体系;接着应用AHP改进法求合作伙伴的权重,应用粗集理论的模式识别方法对数据信息去除冗余条件属性和进行决策规则简化。在此基础上应用灰色关联理论对合作伙伴的选择进行评价,并作为神经网络的输入数据,通过隐含学习和训练,输出神经网络拟合值,对评价结果进行验证和排序;最后使用MATLAB6.5对算例进行分析,验证其可行性。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

归类精度导引的在线图像集自适应压缩方法

针对多源视频流中的图像分类任务,提出了归类精度导引的在线图像集自适应压缩方法,首先对初始的在线图像集进行基于卷积神经网络(convolutional neural network,CNN)的模型训练,得到图像分类器;然后根据连续图像集之间的相似性,后一在线图像集的双参数参考前一在线图像集的双参数,通过引入自适应的参数判决机制有效地压缩连续的在线图像集。实验结果表明,所提方法能够保持足够大的平均压缩比,与现有的图像集压缩方法相比,可将平均归类精度提高3.3%。     

姿态检测网络在服装关键点检测中的应用

为了提供全面且精度较高的关键点用于确定服装的具体轮廓,提升服装配准和检索的精度,运用估计人体姿态的深度神经网络卷积姿态机(convolutional pose machine,CPM)建立模型,对数据图片进行色度等增强,利用高斯核函数建立图片真实标签,并且仿照特征金字塔改变前端网络结构,对模型进行训练。实验结果表明:卷积姿态机可以有效地应用于服装关键点检测;与其他模型相比,能够检测单个人全身的穿着及5种不同类别的服装,提升裤子或者衬衫等大种类的检测精度为1%。     

改进的深度卷积神经网络对T波分类的应用

针对心电信号T波分类问题和深度卷积神经网络(deep convolutional neural networks,DCNN)出现的过拟合问题,提出了一种改进的深度神经网络算法,通过引入Dropout概念优化网络训练过程,提高算法的泛化能力。就分类准确率、训练次数、卷积核、算法的泛化能力4个方面进行实验对比,结果表明:在分类准确率方面,所提算法的标注结果与专家人工的标注结果接近,且标注重复率均可达98.9%以上;在训练次数方面,可有效减少训练次数,且测试集识别率可达99.31%;选择合适的卷积核个数,最终的测试集识别率可达99.31%。所提算法与BP神经网络、循环神经网络(recurrent neural network, RNN)、DCNN这3种方法相比较,可有效降低DCNN的过拟合问题,提高算法的泛化能力。