1) Increment Artificial Neural Network
增量神经网络
1.
Application of Increment Artificial Neural Network Model to Prediction of End-Point Carbon, Phosphorus and Temperature for an 100 t EAF Steelmaking;
增量神经网络模型预报100t电弧炉终点碳、磷和温度的应用
2) strength neural network
增强神经网络
3) growing neural network
增长型神经网络
1.
Dissolved oxygen control in wastewater treatment process based on growing neural network
基于增长型神经网络的污水处理过程溶解氧控制
2.
A kind of dissolved oxygen(DO) control method based on growing neural network(GNN) was proposed due to the wastewater treatment process is nonlinear,strong coupling,great legging and so on.
针对污水处理过程具有非线性、强耦合和大滞后等特性,提出一种基于增长型神经网络的溶解氧控制方法。
4) quantum neural networks
量子神经网络
1.
Performance of multiuser detection for CDMA system using quantum neural networks in flat Rayleigh fading environment;
平坦瑞利环境下多用户检测的量子神经网络方法
2.
A quantum neural networks(QNN) method for forecasting oil recovery ratio in molecule deposition oil-displacement was proposed on the basis of the information processing of biology neuron and quantum computing theory.
提出一种用于预测分子沉积(MD)膜驱原油采收率的量子神经网络方法。
3.
This paper introduces the Quantum Neural Networks model based on multilevel activation function and its algorithm briefly.
本文介绍了基于多层激励函数的量子神经网络模型及其算法,并将量子神经网络模型应用于电机转子故障诊断中, 比较了BP神经网络和量子神经网络(QNN)的故障识别精度。
5) momentum BP neural networks
动量BP神经网络
1.
A separate module based on momentum BP neural networks models was used for each group.
首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。
2.
A separate module based on momentum BP neural networks models each group.
首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以最拥挤时间段的25个点交通流数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。
6) quantum neural network
量子神经网络
1.
Handwritten digital recognition method based on quantum neural networks;
基于量子神经网络的手写体数字识别方法研究
2.
Handwritten digital recognition method based on new feature extraction method and quantum neural network
基于新特征提取法和量子神经网络的手写数字识别
3.
A learning algorithm and its applications to the quantum neural network model
一种量子神经网络模型学习算法及应用
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条