简介：

简介：Thispaperproposesanovelideathatclassifiesfaultsintotwodifferentkinds:seriousfaultsandsmallfaults,andtreatsthemwithdifferentstrategiesrespectively.Akindofartificialneuralnetwork(ANN)isproposedfordetectingseriousfaults,andvariablestructure(VS)model-followingcontrolisconstructedforaccommodatingsmallfaults.Theproposedframeworktakesbothadvantagesofqualitativewayandquantitativewayoffaultdetectionandaccommodation.Moreover,theuncertaintycaseisinvestigatedandtheVScontrollerismodified.Simulationresultsofaremotelypilotedaircraftwithcontrolactuatorfailuresillustratetheperformanceofthedevelopedalgorithm.

简介：自从它能改进生产率，一个有效预示的程序对复杂设备的预兆的维护关键，延长设备生活，并且提高系统安全。这份报纸基于背繁殖为精确失败预后建议一种新奇技术神经网络和量多代理人算法。由量计算理论和多代理人系统的广泛的研究启发了，这种技术采用量多代理人策略与包括健康评估，合作，转线路和变化的量代理人表示和几操作的主要特征，为神经网络到的参数优化避免象困住到本地最小的慢集中和责任那样的缺乏。验证建议途径的可行性，几个数字近似实验第一被设计，在哪个以后从辛辛那提大学的实验室的轴承的真实震动的数据被分析并且过去常为一个给定的未来点估计健康条件。结果是鼓励并且显示介绍预报方法有潜力在工业机械为失败预言作为一个评价工具被利用。

简介：

简介：

简介：Thispaperpresentsanewsolutiontotheimagesegmentationproblem,whichisbasedonfuzzy-neural-networkhybridsyste

简介：

简介：

简介：一个不规则的分割的区域编码算法基于脉搏，联合神经网络(PCNN)被介绍。PCNN有联合脉搏、可变的阀值，有近似灰色的价值的这些邻近的象素能同时通过被激活的性质。一个人能得出PCNN有的优点认识到地区性的分割，和细节的一个结论原来的图象能被分割图象的参数调整完成，并且同时，小分割的区域能被避免。为不规则的分割的区域的更好的近似，Gram-Schmidt方法，一组orthonormal基底函数被从一组线性独立的起始的底构造工作，被采用。因为重建的orthonormal方法，重构图象的质量能极大地被改进，进步图象传输将也是可能的。

简介：

简介：

简介：Aparallelneuralnetwork-basedcontroller(PNNC)ispresentedforthemotioncontrolofunderwatervehiclesinthispaper.Itconsistsofareal-timepart,aself-learningpartandadesired-stateprogrammer,anditisdifferentfromnormaladaptiveneuralnetworkcontrollerinstructure.Owingtotheintroductionoftheself-learningpart,on-linelearningcanbeperformedwithoutsampledatainseveralsampleperiods,resultinginhighlearningspeedofthecontrollerandgoodcontrolperformance.Thedesired-stateprogrammerisutilizedtoobtainbetterlearningsamplesoftheneuralnetworktokeepthestabilityofthecontroller.Thedevelopedcontrollerisappliedtothe4-degreeoffreedomcontroloftheAUV'IUV-IV'andissuccessfulonthesimulationplatform.Thecontrolperformanceisalsocomparedwiththatofneuralnetworkcontrollerwithdifferentstructuressuchasnormaladaptiveneuralnetworkanddifferentlearningmethods.Currenteffectsandsurgevelocitycontrolarealsoincludedtodemonstratethecontroller'sperformance.ItisshownthatthePNNChasagreatpossibilitytosolvetheproblemsinthecontrolsystemdesignofunderwatervehicles.

简介：Choosingtherightcharacteristicparameteristhekeytofaultdiagnosisinanalogcircuit.Thefeatureevaluationandextractionmethodsbasedonneuralnetworkarepresented.Parameterevaluationofcircuitfeaturesisrealizedbytrainingresultsfromneuralnetwork;thesuperiornonlinearmappingcapabilityiscompetentforextractingfaultfeatureswhicharenormalizedandcompressedsubsequently.Thecomplexclassificationproblemonfaultpatternrecognitioninanalogcircuitistransferredintofeatureprocessingstagebyfeatureextractionbasedonneuralnetworkeffectively,whichimprovesthediagnosisefficiency.Afaultdiagnosisillustrationvalidatedthismethod.

简介：Ahandveinauthenticationsysteminwhichtheidentityofanindividualcanbereadilyconfirmedupongrippingahandleisproposed.Thisrecognitionmethodincorporatesinfraredlight-emittingdiode(LED)ontoadoorhandleandsetsacharge-coupleddevice(CCD)cameraontheothersideofthehand.Itbuildsonfuzzyc-meansclusteringandparallelneuralnetworks(NNs);moreover,itisexpectedtosolvethepatternrecognitionprobleminlarge-scaledatabasesusingNNsduetoitsself-learningandparallelprocessingcapabilitiesandbyeffectivelyincorporatingtrainingpatterns.Theexperimentalresultsvalidatetheefficiencyoftheproposedalgorithm.

简介：

简介：

简介：变量领域象ens纪念品那样，南方风、带风的变量从月刊500hPa重力势高度异常场被导出。在这个工作，我们在1958的6月从每月的500-hPa重力势高度异常场和他们的变量选择原来的预言者-2001，并且由与原来的预言者分别地进行实验直角的功能(文件结束)决定全面预言者。一个downscaling预报模型基于背繁殖(BP)，神经网络被全面预言者的使用造与每月有活力的扩大范围预报产品在Guangxi上在6月预言每月的降水。为比较，我们也造神经网络与一样建模的另一BP由使用在5月从500-hPa重力势高度异常场选择到1957的12月的以前的全面预言者预言ands-2000并且1月到1958的4月-2001。二个模型被测试，结果证明downscaling模型的重叠的精确基于以前的全面预言者，而是downscaling模型的预言精确性比那的好取决于每月有活力的扩大范围预报的产量。

简介：

简介：这份报纸论述了由与一个概念的水文学模型一起集成一个模糊聚类模型和神经网络预报框架的新分类即时洪水。一个模糊聚类模型被用来以洪水山峰和流量深度分类历史的洪水，并且概念的水文学模型为洪水的每个班被校准。背繁殖(BP)神经网络被从模糊聚类模型使用即时降雨数据和产量训练。BP神经网络为即时洪水事件提供了一个快速的联机分类。基于联机分类，水文学模型的一个适当参数集合自动地被选择生产即时洪水预报。不同参数集合连续地在因为即时降雨数据和联机分类结果的变化，预报过程的洪水被使用。建议方法论在辽宁省被用于大集水，中国。结果证明分类框架比传统的非分类的方法提供了更精确的预言。而且，在模糊聚类的不同索引重量的效果也被讨论。

简介：