理论驱动的弹性结构体系图神经网络计算模型

该文提出了一个理论驱动的弹性结构体系图神经网络计算模型StructGNN-E,能够高保真数字化结构体系的拓扑连接关系与构件组成信息,无需外部标签数据即可实现对任意杆系结构体系的弹性内力分析,且计算结果具有理论正确性。总结了结构体系层次的特点,理论分析了常规神经网络的不可行性,进而采用了基于非欧图数据的图神经网络架构,能够有效刻画结构体系的非序列性与非平移不变性。考虑到体系层次数据严重匮乏以及常规智能计算方法忽视力学意义的问题,通过将三大力学方程与深度学习推理过程相结合,提出了适用于体系内力分析的理论驱动模式,实现了不依赖于外部标签数据的智能求解方案。数值试验表明:StructGNN-E模型能够高精度完成杆系结构体系的弹性内力分析,且在大规模框架结构计算中计算效率提升可达36%。通过具体的对比试验,证明了常规深度学习模型与数据驱动模式在体系层次的不适用性,进一步阐释了StructGNN-E模型的有效性与合理性。

基于深度神经网络的协同过滤推荐系统体系结构研究

本文提出了一种具有可扩展性的基于原始分类的协同过滤推荐系统体系结构。该系统采用的协作过滤方法可以适用于大多数现有的推荐系统,因为其只需要在评级数据集上进行训练。这种数据缩减提供了一个新的抽象级别,并使得设计基于分类的体系结构成为可能。除了体系结构本身,本文还提出了一种新的预测方法,该方法无需进行大量的预测,就可以获取到推荐结果。相反,本方法在每次预测时,通过前向神经网络一次性获取一组概率,并输出在其分类输出层中。本文提出的神经网络协同过滤推荐系统结构通过数据集进行了测试,实验结果显示该架构对获得准确的精确度和召回值有良好期望。

一种带神经网络的并行VLSI体系结构的算法

本文提出一种适合完成复杂信息处理任务的并行VLSI结构的算法。该算法基于复现神经网络,完成自动过程分配和次优路线选取,并利用确定网络内使用的能量函数极小化实现处理程序和路线选取,从而设计出数据流图的有效结构及数据通路。

并行协作模块化神经网络体系结构

提出了一种并行协作模块化神经网络的体系结构和学习算法 ,它可实现复杂任务的自动分解判定和模块化训练策略 .实验表明 ,本文提出的体系结构和算法与非模块化神经网络技术相比 ,提高了训练速度、改善了网络性能 ,它具有高效并行运行效率、容易实现新增样本学习等特点 .

人工神经网络专家系统智能设计平台体系结构的研究

在回顾研究ＣＡＤ技术的发展与现状的基础上，强调了人工神经网络和专家系统结合的必要性，并在此基础上提出了一种基于人工神经网络的智能设计体系，初步探讨了在神经网络技术与专家系统相结合的基础上，实现一种面向设计的专家系统开发工具的可能性．给出了该体系中知识的表示策略和方法以及求解过程．

BP神经网络在高层结构体系选择中的应用

提取高层建筑结构选型的主要控制因素 ,以此建立基于 BP(Back- Propagation)神经网络的高层建筑结构体系选择的数学模型 .分别采用传统的 BP算法、改进的带动量自适应学习率 BP算法 ,以及 L- M(Levernberg- Marquart)算法 ,进行高层建筑结构体系选择的研究 .研究结果表明 ,传统的 BP算法和改进的带动量自适应学习率 BP算法 ,无法适应土木工程中大规模的数据结构 .而采用 L- M算法神经网络 ,较传统 BP算法快 10 2～ 10 3倍 ,并且精度高 ,可以较好地解决高层建筑结构体系选型问题 .

基于神经网络理论的沥青路面结构四层体系弯沉的拟合研究

根据弹性层状体系理论 ,采用三层双并联前向神经网络 ( DPFNN) ,研究了沥青路面结构四层体系理论弯沉的拟合计算问题 ,通过大量的计算与验证 ,训练好的网络精度高、速度快、泛化能力强 ,且易于实现 ,可应用于工程设计与验算。

基于BP神经网络的专家系统体系结构

针对传统专家系统知识获取的"瓶颈问题",利用BP神经网络于知识获取的长处,将BP神经网络和专家系统有机的结合。阐述了BP神经网络专家系统的基本原理,给出基于BP神经网络的专家系统体系结构。

基于神经网络的专家系统体系结构

本文分析了传统专家系统存在的主要问题 ,阐述了神经网络专家系统的基本原理 ,并给出其模块结构。

基于神经网络和遗传算法的在线优化软件设计与实现

提出了一种基于神经网络和遗传算法的在线优化体系 ,设计并实现了基于神经网络和遗传算法的在线优化软件包 ,并将该软件成功应用于甲醇合成的在线操作优化 ,进而对此类软件的特点进行了讨论 。

基于优化BP神经网络的非稳态精馏过程建模

间歇精馏已广泛应用于小批量、高附加值的精细化工和制药行业。然而在非稳态精馏过程中,一些重要的质量参数如产品组成等难以被直接测量,导致常规控制方法效果不佳。为解决这一问题,提出基于BP神经网络的非稳态精馏过程软测量模型,网络结构为3-12-1,再利用遗传算法、麻雀搜索算法等智能优化算法对网络进行优化,使用优化后的BP神经网络对非稳态精馏过程的产品质量进行预测。结果表明:经麻雀搜索算法优化后,BP神经网络的均方误差为4.32×10^(-5),与标准BP神经网络相比降低约59%,与遗传算法优化后的BP神经网络相比降低约26%。因此采用麻雀搜索算法优化后的BP神经网络建立非稳态精馏过程软测量模型,能够实现更高的预测精度。

基于神经网络理论的三层体系拉应力拟合研究

根据神经网络与弹性层状体系理论 ,采用三层BP网络研究了三层弹性层状体系的面层和基层层底最大拉应力的拟合计算问题 ,通过大量的计算和验证 ,训练好的网络精度高、速度快、适用范围广、泛化能力强 ,且易于实现 。

图计算体系结构和系统软件关键技术综述

图计算作为分析事物之间关联关系的重要工具,近年来已成为各国政府及公司争夺的关键技术.学术界和工业界在图计算体系结构和系统软件关键技术方面取得了一定进展.然而,现实场景图计算大多具有动态变化、应用需求复杂多样等特征.这给图计算在基础理论、体系架构和系统软件关键技术方面提出了新的需求,同时也带来了新的挑战.为应对这些挑战,科研人员提出了一系列图计算系统或图计算加速器,通过高性能计算、并行计算等技术来优化图计算过程.综述国内外图计算体系结构和系统软件关键技术的研究发展现状,对国内外研究的最新进展进行归纳、比较和分析,并结合国家发展战略和重大应用需求,选取与我国国计民生密切相关的领域,从典型应用分析总结图计算相关技术的行业进展.最后,就未来的技术挑战和研究方向进行展望.

人工神经网络:元件和体系结构

与生物系统相类似，由大量处理机（神经）组成的计算机系统，属于神经网络，其中的每一台处理机与其他神经网络交换信息，并根据进人的信号改变自己的状态。神经网络的最重要的基本元素，是每个神经（信号）之间的联系，信号的通过量（还可以有其他参数）在学习过程中发生变化．侧重描述了作为神经网络有效元件的感知器系统和声像存储器．描述了神经网络电子元件和光电元件的各种不同的结构．

柔性电子神经网络计算机结构和原理

本文以开发系统的观点描述了一种新的神经网络计算机体系结构，它以其可开发性和灵活性区别于其他各种神经网络计算机，应用于人工神经网络的研究过程。基于柔性神经网络计算机体系设计，文中提出了一种神经网络分解撕裂算法，为ＶＬＳＩ神经芯片的设计提供了一条新途径。在功能应用上，柔性电子神经网络计算机打破了其他神经网络计算机功能的针对性，为神经网络的研究、开发和应用提供较全面的支持。

多层神经网络算法的计算特征建模方法

随着深度学习算法在语音和图像等领域中的成功运用,能够有效提取目标特征并做出最优决策的神经网络再次得到了广泛的关注.然而随着数据量的增加和识别精度需求的提升,神经网络模型的复杂度不断提高,因此采用面向特定领域的专用硬件加速器是高效运行神经网络的有效途径.然而如何根据网络规模设计高能效的加速器,以及基于有限硬件资源如何提高网络性能并最大化资源利用率是当今体系结构领域研究的重要问题.为此,提出基于计算特征的神经网络分析和优化方法,基于“层”的粒度解析典型神经网络模型并提取模型通用表达,根据通用表达式和基本操作属性提取模型运算量和存储空间需求等特征.提出了基于最大值更替的运行调度算法,利用所提取的特征分析结果对神经网络在特定硬件资源下的运行调度方案进行优化.实验结果显示:所提方法能够有效分析对比网络特征,并指导所设计调度算法实现性能和系统资源利用率的提升.

基于拓扑结构神经网络的绩效管理评价研究

针对现有关于企业绩效管理评价的方法存在一定的缺陷,不能满足企业发展过程对制度评价的准确度要求的问题,通过利用AHP方法在复杂的评价指标体系中筛选出8个代表性的指标作为绩效评价的评价指标,随后对此采用拓扑结构的BP神经网络方法,构建评价模型,设计算法程序,结合计算机技术进行网络训练,得到该算法的仿真结果:算法的误差在训练步数为100时就已经达到了期望结果,而且预测数据的相关系数达到了0.98747,这表明基于拓扑结构的BP神经网络算法在企业绩效管理评价工作中具有一定的可行性与较高的准确性。

人工神经网络固有的优点和缺点

本文较详细地分析了一般神经网络固有的优点和缺点,并对BP网络和Hopfield网特有的优点和缺点分别进行了阐述。最后,比较了用反馈神经网络和用启发式算法求解NP难的优化问题之各自利弊。

前馈神经网络导数特性分析

为分析前馈神经网络输出量的一阶、二阶偏导数特性,从一层网络结构入手,推导网络输出量的一阶偏导数,应用链式求导法则,推导多层网络输出量的一阶、二阶偏导数的计算公式。在此基础上推导网络的三阶偏导数,并针对二层结构网络,在其输出层激活函数为线性函数时,推导出该网络对输入量的高阶偏导数计算公式。实例分析结果表明,前馈神经网络一阶、二阶偏导数值的精度比网络输出值的精度要低,尤其是在区间的边界上有时会出现较大的偏差。网络的一阶、二阶偏导数值的精度也会随着隐含层神经元数量的增加明显降低,在基本相同的网络训练精度下,隐含层神经元较多的网络比神经元少的网络导数特性差。

一种神经网络硬件实现的可重构设计

以BP网络为例,提出了一种可重构神经网络硬件实现方法。通过可重构体系结构、可重构部件的设计,可以灵活地实现不同规模、传递函数及学习方法的神经网络,从而搭建起神经网络快速硬件实现的平台。经过对一个模式识别问题的实现和测试,证明了这种设计方法的可行性。