神經(jīng)網(wǎng)絡(luò) 文章最新資訊

基于神經(jīng)網(wǎng)絡(luò)的無(wú)位置傳感器無(wú)刷直流電機(jī)驅(qū)動(dòng)設(shè)計(jì)

1實(shí)機(jī)測(cè)試實(shí)驗(yàn)系統(tǒng)的結(jié)構(gòu)如圖5所示。扭矩儀的測(cè)量范圍是10kg-cm。在這個(gè)控制系統(tǒng)里的電動(dòng)勢(shì)估計(jì)神經(jīng)網(wǎng)絡(luò)...
關(guān)鍵字：神經(jīng)網(wǎng)絡(luò) 傳感器電機(jī)驅(qū)動(dòng) BLDC

基于人工神經(jīng)網(wǎng)絡(luò)的過(guò)閘流量軟測(cè)量研究

摘要：由于過(guò)閘流量與其影響因素(上游水位、閘門(mén)開(kāi)度等)存在著復(fù)雜的非線性關(guān)系，給水流量的精確測(cè)量帶來(lái)了困難。本文利用人工神經(jīng)網(wǎng)絡(luò)優(yōu)良的非線性映射能力，建立了一個(gè)基于BP網(wǎng)絡(luò)過(guò)閘流量軟測(cè)量模型，并運(yùn)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱以及碧口水電站實(shí)際數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與驗(yàn)證。
關(guān)鍵字： BP網(wǎng)絡(luò) 過(guò)閘流量 MATLAB 神經(jīng)網(wǎng)絡(luò) 軟測(cè)量 201310

成為“鋼鐵俠”不是夢(mèng) 神經(jīng)形態(tài)芯片產(chǎn)出

　　看過(guò)電影《鋼鐵俠》的觀眾，對(duì)于主人公的人工智能電腦助手“賈維斯”應(yīng)該并不陌生。在電影中，“賈維斯”就像是鋼鐵俠的另一個(gè)大腦，它除了能夠接收指令、感知并收集外界信息外，還能據(jù)此做出相應(yīng)的分析及響應(yīng)。　　很多人可能都期盼著有朝一日能擁有一個(gè)像“賈維斯”一樣的智能助手。如今，隨著科技的不斷進(jìn)步，人們?cè)诔鴮?shí)現(xiàn)這個(gè)愿景的路上又邁進(jìn)了一步。瑞士研究人員日前研發(fā)出的“神經(jīng)形態(tài)芯片”，可實(shí)時(shí)模擬人類大腦處理信息的過(guò)程
關(guān)鍵字：神經(jīng)形態(tài)芯片神經(jīng)網(wǎng)絡(luò)

基于神經(jīng)網(wǎng)絡(luò)模型辨識(shí)的機(jī)器人迭代學(xué)習(xí)控制方法研究

引言焊接機(jī)械手的軌跡跟蹤是焊接機(jī)器人控制的難點(diǎn)。機(jī)械手是一個(gè)典型的非線性動(dòng)力系統(tǒng)，具有大慣性和大延遲。目前對(duì)機(jī)械手的控制，主要采用傳統(tǒng)PID控制。由于系統(tǒng)復(fù)雜性較高，設(shè)計(jì)人員為建立系統(tǒng)模型做出各種假設(shè)和簡(jiǎn)
關(guān)鍵字：學(xué)習(xí) 控制方法研究機(jī)器人辨識(shí) 神經(jīng)網(wǎng)絡(luò) 模型基于

新技術(shù)將引發(fā)行業(yè)變革

　　1. 神經(jīng)網(wǎng)絡(luò)系統(tǒng)在數(shù)據(jù)挖掘中的應(yīng)用　　盡管多核處理仍受限于馮諾伊曼架構(gòu)本身的串行存取特性，但其卻已成為現(xiàn)代計(jì)算機(jī)技術(shù)發(fā)展的一個(gè)重要趨勢(shì)。在實(shí)際情況中，這表明依靠大量數(shù)據(jù)集的應(yīng)用程序例如模式識(shí)別程序無(wú)法進(jìn)行恰當(dāng)分區(qū)或?qū)崟r(shí)響應(yīng)。　　象CogniMem公司這樣的半導(dǎo)體設(shè)計(jì)公司都致力于設(shè)計(jì)用于高速和并行模式識(shí)別的元件，行業(yè)稱之為“認(rèn)知計(jì)算”芯片，主要用于運(yùn)行大量數(shù)據(jù)集。盡管2007年推出的CM1K芯片僅有1024個(gè)“神經(jīng)元”，但因公司需要處理的數(shù)據(jù)量
關(guān)鍵字：神經(jīng)網(wǎng)絡(luò) 元件

基于神經(jīng)網(wǎng)絡(luò)的抽油機(jī)故障診斷

1引言神經(jīng)網(wǎng)絡(luò)技術(shù)在學(xué)習(xí)速度、適應(yīng)性、非線性映射等性能上有獨(dú)特的優(yōu)勢(shì),能夠進(jìn)行有效的監(jiān)督分類,因此常...
關(guān)鍵字：神經(jīng)網(wǎng)絡(luò) 抽油機(jī) 故障診斷

基于FPGA的RBF神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)

介紹了RBF神經(jīng)網(wǎng)絡(luò)，并采用CORDIC算法實(shí)現(xiàn)了其隱層非線性高斯函數(shù)的映射。同時(shí)，為縮減ROM表的存儲(chǔ)空間并提高查表效率，本設(shè)計(jì)還采用了基于STAM算法的非線性存儲(chǔ)。最后，以Altera公司開(kāi)發(fā)的EDA工具QuarlusⅡ作為編譯、仿真平臺(tái)，采用Cyclone系列中的EP1C6Q 240C8器件，實(shí)現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)在FPGA上的實(shí)現(xiàn)，并以XOR問(wèn)題為算例進(jìn)行硬件仿真，得出仿真結(jié)果與理論值一致。
關(guān)鍵字： FPGA RBF 神經(jīng)網(wǎng)絡(luò) 硬件實(shí)現(xiàn)

一種神經(jīng)網(wǎng)絡(luò)多用戶檢測(cè)器設(shè)計(jì)

本文提出采用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)CDMA多用戶通信系統(tǒng)中多用戶信號(hào)的檢測(cè).利用基于檢測(cè)序列最大后驗(yàn)概率最佳多用戶檢測(cè)器的似然函數(shù)與Hopfield神經(jīng)網(wǎng)絡(luò)的能量函數(shù)的對(duì)應(yīng)關(guān)系，構(gòu)造一種離散Hopfield神經(jīng)網(wǎng)絡(luò)多用戶檢測(cè)
關(guān)鍵字：設(shè)計(jì) 檢測(cè) 用戶神經(jīng)網(wǎng)絡(luò)

基于反向傳播神經(jīng)網(wǎng)絡(luò)的無(wú)線火災(zāi)預(yù)警系統(tǒng)

摘要：針對(duì)傳統(tǒng)火災(zāi)預(yù)警系統(tǒng)中單一傳感器數(shù)據(jù)檢測(cè)的缺陷，提出一種基于反向傳播神經(jīng)網(wǎng)絡(luò)模型的無(wú)線多傳感信息融合火災(zāi)預(yù)警系統(tǒng)。該模型借助Matlab平臺(tái)進(jìn)行信息融合算法模擬，并經(jīng)過(guò)試驗(yàn)驗(yàn)證，大大提高了火災(zāi)預(yù)警系統(tǒng)
關(guān)鍵字：預(yù)警系統(tǒng) 火災(zāi) 無(wú)線傳播神經(jīng)網(wǎng)絡(luò) 基于

鍋爐燃燒系統(tǒng)神經(jīng)網(wǎng)絡(luò)建模及多目標(biāo)優(yōu)化研究

摘要：隨著環(huán)境保護(hù)要求的日益嚴(yán)格和燃煤價(jià)格的不斷上漲，在“廠網(wǎng)分開(kāi)，競(jìng)價(jià)上網(wǎng)”的運(yùn)行機(jī)制下，電站鍋爐面臨降低運(yùn)行成本與降低污染物排放的雙重要求，高效率、低污染的燃燒優(yōu)化技術(shù)口益引起人們的關(guān)注
關(guān)鍵字：鍋爐燃燒系統(tǒng) 多目標(biāo)優(yōu)化神經(jīng)網(wǎng)絡(luò) 建模

基于神經(jīng)網(wǎng)絡(luò)辨識(shí)和PLC控制的郵件分揀系統(tǒng)

摘要：采用了具有自適應(yīng)學(xué)習(xí)速率和附加動(dòng)量因子的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了郵政編碼模式識(shí)別的方法；并將辨識(shí)后的結(jié)果送入到PLC控制器中，通過(guò)PLC實(shí)現(xiàn)對(duì)郵件的自動(dòng)分揀。上機(jī)實(shí)驗(yàn)運(yùn)行表明效果良好。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；模式
關(guān)鍵字：郵件分揀系統(tǒng) 控制 PLC 神經(jīng)網(wǎng)絡(luò) 辨識(shí) 基于

基于神經(jīng)網(wǎng)絡(luò)的自主吸塵機(jī)器人混合視覺(jué)研究

摘要：針對(duì)自主吸塵機(jī)器人非結(jié)構(gòu)化的工作環(huán)境及避障的實(shí)時(shí)性要求，提出融合了超聲波傳感器和紅外傳感器的混合視...
關(guān)鍵字：超聲波傳感器紅外傳感器傳感器融合神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)在智能傳感器模塊設(shè)計(jì)中的應(yīng)用

引言不論是傳統(tǒng)工藝制作的經(jīng)典傳感器，還是半導(dǎo)體工藝制作的現(xiàn)代傳感器，都存在交叉敏感。交叉敏感是引起單傳感器系統(tǒng)不穩(wěn)定的主要因素，表現(xiàn)為傳感器標(biāo)稱的目標(biāo)參量恒定不變，而其它非目標(biāo)參量變化時(shí)，該傳感器的輸
關(guān)鍵字：設(shè)計(jì) 應(yīng)用模塊傳感器神經(jīng)網(wǎng)絡(luò) 智能 RBF

基于計(jì)算機(jī)視覺(jué)和神經(jīng)網(wǎng)絡(luò)技術(shù)的煙葉品質(zhì)智能識(shí)別

摘要：在對(duì)煙葉品質(zhì)進(jìn)行圖像處理過(guò)程中，借助MATLAB圖像處理工具箱和神經(jīng)網(wǎng)絡(luò)技術(shù)，對(duì)各種類型的煙葉的數(shù)字圖像進(jìn)行計(jì)算機(jī)視覺(jué)分析，包括邊緣檢測(cè)、輪廓提取、用圖像工具箱抽取煙葉數(shù)字圖像特征，將待測(cè)煙葉樣本與標(biāo)
關(guān)鍵字：計(jì)算機(jī)視覺(jué) 方法神經(jīng)網(wǎng)絡(luò) 智能識(shí)別

GRNN神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)報(bào)中的應(yīng)用

摘要：為了預(yù)報(bào)電力系統(tǒng)負(fù)荷，采用GRNN(廣義回歸網(wǎng)絡(luò))的方法，通過(guò)GRNN神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立電力系統(tǒng)負(fù)荷預(yù)報(bào)網(wǎng)絡(luò)模型，用MAT LAB7．0仿真，達(dá)到了預(yù)測(cè)的目的。利用GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果準(zhǔn)確率高，避免了BP網(wǎng)絡(luò)預(yù)
關(guān)鍵字：預(yù)報(bào) 應(yīng)用負(fù)荷電力系統(tǒng) 神經(jīng)網(wǎng)絡(luò) GRNN