转载 ：目前基于符号处理的方法是解决分类规则提取问题的主要方法，而基于神经网络的连接主义方法则用的不 多，其主要原因在于虽然神经网络的分类精度高，但难于提取其所隐含的分类规则与知识。针对这个问题，结合神经网 络的具体特点，该文提出了一种基于神经网络的构造分类决策树的新方法。该方法通过神经网络训练建立各属性与分 类结果之间的关系，进而通过提取各属性与分类结果之间的导数关系来建立分类决策树。给出了具体的决策树构造算 法。同时为了提高神经网络所隐含关系的提取效果，提出了关系强化约束的概念并建立了具体的模型。实际应用结果证 明了算法的有效性。

为求解电晕电流的通用数学模型,利用人工神经网络能以任意精度逼近任意函数的能力,设计了2层BP神经网络,分别对实测的具有双指数函数、Gaussian函数及不规则脉冲形式的电晕电流进行拟合。结果表明,当神经元数目取5~10时,便能对不同类型的电晕电流波形进行高精度拟合,拟合误差量级可达10-4,拟合时间约为2~10 s,通过提取网络的权值、阈值参数可得到电流的解析表达式。该方法得到的电流表达式具有统一的结构,不依赖于电流波形,可作为电晕电流的通用数学模型。

四。基于神经网络的优化 1. 反馈网络----Hp网 每个神经元都与其它神经元连接,且: 运行至稳态,能量达到最小状态.

将反馈型(BP)神经网络和遗传算法(GA)相结合用于激光多层熔覆厚纳米Al2O3-13%TiO2(质量分数)陶瓷涂层的工艺参数优化，根据3因素3水平正交试验结果对神经网络模型结构进行训练，建立了熔覆工艺参数(熔池闭环控制温度、超声振动频率及保温箱预热温度)与涂层性能(结合强度和显微硬度)之间的遗传神经网络预测模型。在此基础上，采用遗传算法对纳米陶瓷涂层结合强度和显微硬度进行了单目标和多目标参数优化。结果表明，遗传神经网络模型预测值与试验值误差较小，相对误差不超过2.5%。遗传算法优化的涂层最大结合强度和显微硬度分别为70.7 MPa和2025.5 HV；在结合强度和显微硬度两者权重相同的情况下，当熔池闭环控制温度为2472.0 ℃、超声振动频率为31.9 kHz和保温箱预热温度为400 ℃时涂层综合性能最优，对应的结合强度和显微硬度分别为69.1 MPa和1835.5 HV。

为对传感器进行非线性校正以进一步提高其测量精度，提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性，并以位移传感器标定为例，详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正，设计并实现了RBF网络的校正模型。实验结果证明，RBF网络的校正方法比BP网络校正方法精度提高了约44%，其补偿效果更优，且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。

乒乓球 使用神经网络和遗传算法的乒乓球人工智能。 该程序的图形从 您可以从头开始观看AI训练（run.m），也可以只运行预训练的模型（run_pretrained.m） 运行run.m时，它会不断显示每个​​染色体的新图形，因此，如果您不想被图形分散注意力，则应将其停靠。 首先，键入以下命令： figure 然后，停放该图： ://stackoverflow.com/questions/8488758/inhibit-matlab-window-focus-stealing（texnic的答案） 然后，键入以下命令： set(0, 'DefaultFigureWindowStyle', 'docked'); 然后运行文件。 run_pretrained.m也是如此 PingPongGANN中使用的算法 在这里，我使用遗传算法训练一个神经网络，该网络将玩乒乓球游戏。

基于神经网络模型的深松作业牵引力和能量预测.doc

| 近年来提出的神经主题模型变体的PyTorch实现包括NVDM-GSM，WTM-MMD（W-LDA），WTM-GMM，ETM，BATM和GMNTM。 该项目的目的是为神经主题模型提供一个实用且可行的示例，以促进相关领域的研究。 模型的配置与论文中提出的模型并不完全相同，并且没有对超参数进行仔细的微调，但是我选择覆盖其中的核心思想。 从经验上讲，NTM优于经典的统计主题模型，尤其是在短文本上。 出于评估目的，提供了短消息（ ），对话话语（ ）和对话（ ）的数据集，所有这些均以中文显示。 作为与NTM的比较，还提供了基于gensim库的现成的LDA脚本。 如果您对此实施有任何疑问或建议，请随时与我联系。 为了更好，欢迎加入我的行列。 ;） 注意：如果发现加载此自述文件的图片太慢，则可以在我的博客上阅读此。 目录 2.6 BATM 3.数据集 3.1 cnews10k 3.

基于神经网络与马尔可夫组合模型在城市公路使用性能中的预测实现，孙彬彬，王虹，城市道路使用性能关乎是城市道路建设的延续,其运行管理是确保城市道路运行状态的关键。随着我国经济和交通的快速发展,城市道路的�

随着我国国际航运中心的不断建设和发展，水路通航密度增加，船舶大型化发展日益明显，加之海上恶劣极端天气呈常态化趋势，发生重大海上安全事故的风险增加，因此人们对于船舶运输的安全性提出了更高的要求。本文针对船舶市场发展现状和船载人员的安全需求，提出了一套基于神经网络的船舶倾覆预警系统，通过加速度传感器获取船舶实时倾斜数据并上传至服务器，使用TensorFlow神经网络进行数据训练，最后得到船舶倾覆模型。系统可将实时获取的数据与此模型进行比对，进而推演预测船舶是否有倾覆的可能性，可做到提前预警并及时联系就近的海事组织做好营救措施，有效保障船舶所载人员的生命安全，具有一定的研究价值。