基于深度前馈网络的深度学习模型在XOR函数中的应用

文章首先介绍了前馈网络的基本原理。然后通过一个XOR小例子讨论部署一个前馈网络所需的每个设计决策。最后去面对那些只出现在前馈网络中的设计决策。

基于最优神经网络结构的故障诊断模型

深度神经网络在网络结构、激活函数及优化函数的选择方面,主要依靠操作者的经验来决定,导致了采用群智能算法(SI)对其优化时,只能在特定的网络结构下找到其最优权值和偏置量,限制了深度神经网络在故障诊断领域的进一步发展。提出了一种将自适应遗传算法与深度前馈网络相结合的故障诊断模型。通过MNIST、CIFAR10标准数据集以及CSTV仿真数据验证,故障诊断精度比原始模型显著提高,在CIFAR10数据集上精度提高了12.95%,在MNIST数据集上精度提高至99.03%;在CSTV仿真实验数据上,本文所提出的故障诊断模型在故障诊断精度、收敛速度以及稳定性上均优于原始模型,精度达到了99.994%,且不需要实验人员对神经网络参数进行调试,提高了训练神经网络的效率。

BP网络在麻醉深度监测算法上的应用

麻醉是临床手术中必不可少的环节,但麻醉的过深或过浅可能给病人带来伤害,因而对麻醉深度的监测具有较高的临床价值。脑电是目前检测麻醉深度最有潜力的方法,首先通过滤波等处理方式得到较为纯净的脑电信号,分析时域和频域的特征,计算相应的参数,并将该参数作为前向反馈神经网络的输入参数,选择合适的BP神经网络拟合得到一个能够评价麻醉深度的无量纲常数。使用BP神经网络拟合结果来表征麻醉深度准确率普遍在90%以上,反映了BP神经网络在麻醉深度监测上具有较高的应用价值。