1) multi-level artificial neural network
多级神经网络
1.
The multi-level artificial neural network, which is composed by the seven stages, builds the relational model between construction parameters and the ground settlement.
本文将盾构推进的过程划分成七个阶段,每个阶段用一个神经网络进行模拟,在此基础上构造成多级神经网络,拟合盾构法隧道施工中施工参数与地面沉降之间关系的数学模型。
2) multi-level discrete fuzzy neural networks
多级离散模糊神经网络
1.
To solve the problems of low adaptability for mutative external environment existed in the theory of fuzzy sets and the disadvantage of failing to obtain eventual relationship among the fuzzy sets existed in the model of neural networks, this paper proposes a multi-level discrete fuzzy neural networks model which has the “if-then” rule of fuzzy inference system.
针对模糊集理论在建模中对变化的外部环境适应能力差,以及基本神经网络模型不容易获得模糊集之间关系等问题,提出了一个具有基本模糊推理系统“IF-THEN”规则的多级离散模糊神经网络模型。
3) Multi-Fuzzy-Neural Networks
多级模糊神经网络
4) multistage neural network ensemble
多级神经网络集成
1.
One new method for fault diagnosis of steam turbine based on kernel principal component analysis (KPCA) and multistage neural network ensemble was proposed.
提出一种基于核主元分析(KPCA)和多级神经网络集成的汽轮机故障诊断方法。
5) multiple neural network
多神经网络
1.
Since in practical industrial applications, soft sensors based on static models often lead to low accuracy and poor robustness, a multiple neural network (MNN) model is presented to develop dynamic soft sensors.
本文提出了一种用多神经网络建立动态软测量模型的通用方法 。
2.
The approach to build software sensor model by multiple neural networks (MNN) based on Kmeans clustering method is presented.
采用多神经网络结构建立软测量模型。
6) multiple neural networks
多神经网络
1.
The application of multiple neural networks in building software instrument;
多神经网络在软测量仪表中的应用
2.
A new software sensor model based on multiple neural networks(MNN)is presented in this paper.
该文采用多神经网络模型方法,充分利用尽可能得到的可在线测量信息,可有效地提高模型的估计精度和鲁棒性。
3.
Aiming at early stage latent faults of EHV large capacity transformers,a new fault diagnosis method based on mathematical morphology combined with multiple neural networks is presented.
针对超高压、大容量电力变压器的早期潜伏性故障,提出了一种基于数学形态学融合多神经网络的故障诊断新方法。
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