具有时滞的广义BAM脉冲神经网络的全局指数稳定性

本文讨论一类具有时滞的广义双向联想记忆（BAM）脉冲神经网络的指数稳定性．利用Banach空间的不动点定理和Lyapunoy泛函,在不假定激励函数有界、单调和可徽的条件下,得到了平衡点的存在唯一性定理及其为全局指数稳定的充分条件．文末通过实例阐释了所获结论的有效性．     

L-缬氨酸发酵培养基的神经网络建模与遗传算法优化

运用神经网络对L-缬氨酸发酵培养基组成进行建模,在神经网络模型的基础上采用遗传算法对培养基组成进行优化,得到最佳发酵培养基组成.结果表明,运用神经网络并结合遗传算法是一种行之有效的优化方法.按最佳发酵培养基组成进行发酵实验64h,可在发酵液中积累L-缬氨酸28.5g/L.     

二元神经网络模型概周期解的存在性

本文研究了两个神经元的神经网络模型y1(t)=-α1y1(t) f(y2(t-T1) -Г2)) J1(t),y2(t)=-α2y2(t) g(y1(t-T2)-Г1)) J2(t)概周期解的存在性,获得存在概周期解的充分条件。     

用BP神经网络基于氨基酸特性预测非同源蛋白质二级结构含量

依据蛋白质氨基酸特性,以氨基酸组成和有偏自协方差函数为特征矢量,用BP神经网络提出了一种预测非同源蛋白质中α螺旋和β折叠二级结构含量的计算方法。采用相互独立的非同源蛋白质数据库对该方法进行了检验。用Ponnuswamy值时,对二级结构α螺旋和β折叠含量的预测结果是;自检验平均绝对误差分别为0.069和0.065,相应标准偏差分别为0.044和0.047;他检验平均绝对误差分别为0.077和0.070,相应标准偏差分别为0.051和0.049。与仅以氨基酸组成为特征矢量的BP神经网络方法比较,相应的他检验平均绝对误差分别减小了0.024和0.016,标准偏差分别减小了0.031和0.018;与改进的多元线性回归方法比较,相应的他检验平均绝对误差分别减小了0.018和0.011,准偏差分别减小了0.020和0.012。表明：基于氨基酸组成和有偏自协方差函数为特征矢量的BP神经网络预测蛋白质二级结构含量的方法可有效提高预测精度。     

人工神经网络与遗传算法相结合在作物估产中的应用——以吉林省米估产为例

在遗传算法（Genetic Algorithm）与误差反传（Back Propagation）网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并对吉林省梨树和德惠县的玉米进行了估产研究,同时与BP算法和灰色系统理论模型进行了比较。经经验,计算值与实际值拉近,并优于灰色理论模型,具有良好的预测效果,从而为农作物估产提供了新方法。     

关于离散时间细胞神经网络的收敛性

本文基于图论中主路径的基本思想,给出了一类回归网络的收敛性定理及其证明,并将这一定理应用于离散时间的细胞神经网．     

基于微波遥感技术探测森林地表土壤含水率

森林地表土壤含水率是森林生态系统中的重要参数,使用微波遥感技术快速准确地估算区域尺度上的森林地表土壤含水率,对于森林生态系统研究具有重要的现实意义.本文利用TDR-300土壤含水率速测仪测得黑龙江大兴安岭地区塔河林业局盘古林场内120块样地的森林地表土壤含水率作为因变量,利用C波段全极化SAR数据的极化分解参数作为自变量,构造多元线性回归统计模型和BP神经网络模型,定量估测森林地表土壤含水率,通过模型反演获得区域尺度上森林地表土壤含水率的空间分布.结果表明: 多元线性回归统计模型的精度为86.0%,均方差根误差(RMSE)为3.0%;BP神经网络模型的精度为89.4%,RMSE为2.7%.说明利用BP神经网络模型定量估测森林地表土壤含水率优于多元线性回归模型,将全极化SAR数据通过BP神经网络模型进行仿真,最终得到研究区域的森林地表土壤含水率空间分布图.     

CBSG-PPI:基于图神经网络的蛋白质-蛋白质相互作用的预测算法

为提高蛋白质-蛋白质相互作用(protein-protein interaction, PPI)预测的准确性,并深入探索细胞信号传导和疾病发生的生物学机制,本文提出一种简称为CBSG-PPI的预测算法。该算法首先利用3层前馈网络来处理蛋白质的k-mer特征,采用CT方法和Bert方法提取蛋白质的氨基酸序列以及使用卷积神经网络提取蛋白质的序列特征,再结合图神经网络和多层感知机来准确预测PPI。与现有的预测技术相比,CBSG-PPI在准确率、 F1分数、召回率和精确率等多个关键性能指标上展现了明显的优势,在公开数据集上分别达到了0.855、 0.853、 0.840和0.866的高分。此外,本算法采用了一种改进的参数调整方法,显著提高了计算效率,其预测速度比传统算法快了约140倍。这一显著的性能提升,不仅证实了CBSG-PPI在预测PPI方面的研究价值,也为未来蛋白质间相互作用网络的构建和分析提供了有用的计算工具。     

信息几何-计算神经科学的几何学方法

信息几何是九十年代初开始形成的理论,它将流形上的现代微分几何方法引入到计算神经科学中,为神经网络和信息论提供了十分有用的新的数学工具,也为大脑信息传输方式引入新的观念。近年,信息几何在Ｂｏｌｔｚｍａｎｎ机、神经网络的学习方法、隐单元模型理论、统计推断及序列分析诸方面产生了成功的应用。理论的发展与丰富的应用显示出几何学方法在神经科学与信息科学中具有强大的作用。     

基于神经网络的马尾松叶绿素含量高光谱估算模型

分析不同生长期的马尾松冠层反射光谱特征与相应叶绿素含量的相关关系.利用36个红边参数逐一筛选,最终确定7个与叶绿素含量相关性较高的红边参数作为光谱特征参数,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型;同样,筛选出4个植被指数作为光谱特征参数,同时,将对原始光谱进行主成分分析降维后的前4个主成分作为BP神经网络的输入变量,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型.结果表明: 将红边参数作为输入变量建立的逐步回归模型和BP神经网络模型的决定系数(R²)分别为0.5205、0.7253,均方根误差(RMSE)分别为0.1004、0.0848,相对误差分别为6.3%、5.7%.将植被指数作为输入变量建立的逐步回归模型和BP神经网络模型的R²分别为0.5392、0.7064,RMSE分别为0.0978、0.0871,相对误差分别为6.2%、6.0%.基于主成分分析的BP神经网络模型的预测效果最好,R²为0.7475,RMSE为0.0540,相对误差为4.8%.