简介:Amodelfortheoptimisationofallfuzzy-controller-componentsbyanartificialneuralnetwork.AModularApproachforReliableNanoelectronicandVery-DeepSubmicronCircuitDesignBasedonAnalogNeuralNetworkPrinciples.AmultipointopticalevanescentwaveU-bendsensorsystembasedonartificialneuralnetworkpatternrecognition.Amultivariableapproachformappingsub-pixellandcoverdistributionsusingMISRandMODIS:ApplicationintheBrazilianAmazonregion.
简介:Anoveldailypeakloadforecastingmethodusinganalyzablestructuredneuralnetwork;Apseudo-randomtestingschemeforanalogintegratedcircuitsusingartificialneuralnetworkmodel-basedobservers;AROBUSTPOWERSYSTEMSTABILIZERCONFIGURATIONUSINGARTIFICIALNEURALNETWORKBASEDONLINEAROPTIMALCONTROL(STUDENTPAPERCOMPETITION);ASelf-AimingCameraBasedonNeurophysicalPrinciples;Aself-organizingneuralmodelforcontext-basedactionrecognition;Asequentialfeatureselection-basedneuralnetworkapproachtodynamicvoltagestabilityestimation。
简介:Abiologicallyinspiredconnectionistsystemfornaturallanguageprocessing,Abiologicallymotivatedconnectionistsystemforpredictingthenextwordinnaturallanguagesentences,Acombinedmodelofwaveletandnenralnetworkforshorttermloadforecasting,Acomparativestudyofradialbasisfunctionneuralnetworksandwaveletneuralnetworksinclassificationofremotelysenseddata……
简介:摘要目的利用反向传播神经网络(BPNN)算法,建立一种可以识别血糖项目随机误差的实时质控新方法并评价模型效能。方法通过北京朝阳医院实验室信息系统导出2019年1月至2020年7月在西门子advia2400分析系统上报告的全部患者血糖信息,共计219 000条,作为本研究的无偏数据。人为引入6个偏差生成相应的有偏数据,每种偏差下用2种算法测试。进行计量学及临床评价。结果BPNN步长设置为10,全部偏差下假阳性率均在0.1%以内;MovSD的最佳步长为150,拦截限为10%,全部偏差下假阳性率为0.38%,比BPNN高0.28%。MovSD在0.5与1误差因子下全部未检出,误差因子>1之后,可检出,但MNPed偏高;而BPNN在全部偏差下MNPed均低于MovSD,两者相差最高达91.67倍。计量学溯源过程生成460 000条参考数据,采用参考数据评定BPNN模型的不确定度仅为0.078%。结论成功建立了基于BPNN算法识别检测过程随机误差的实时质控方法,模型准确度高,临床效能显著优于MovSD方法。
简介:人工神经网络是人工智能的重要分支,自其创始伊始便成为了人工智能领域的研究热点。本文从人工神经网络的发展历史开始,介绍了其在医学,信息,控制等方面的应用及其现状,对其中的优缺点进行了简要的分析。并对人工神经网络未来的发展作简要的展望。