Bài viết đề xuất việc tối ưu hóa quá trình hấp phụ chất màu hữu cơ độc hại Methylene Blue (MB) nhờ vật liệu tổ hợp nano Sunfat Kẽm/Than hoạt tính ( ZnS NPs/AC ) nhằm xác định các điều kiện thực nghiệm để tối ưu hóa hiệu suất hấp phụ MB bằng mô hình trí tuệ nhân tạo (ANN) và mô hình Least Squares Support Vector Machine (LS-SVM).

Luận văn đề xuất việc thành lập và một phương pháp giải bài toán đánh giá độ tin cậy cho kết cấu cáp kính. Ví dụ cụ thể được áp dụng cho công trình “Nhà hội nghị BI 1 -Trung tâm hành chính, chính trị tỉnh Bình Dương”. Phương pháp tổ hợp đề xuất kết hợp của phương pháp xấp xỉ mạng thần kinh nhân tạo (ANN) và phương pháp phân tích độ tin cậy bậc nhất (FORM).... Mời các bạn cùng tham khảo nội dung chi tiết.

Mục tiêu nghiên cứu của đề tài là ứng dụng mạng thần kinh nhân tạo để dự báo giá thị trường chứng khoán tại Việt Nam, đồng thời kiểm định độ chính xác của phương pháp lai ghép trong dự báo có cải thiện tốt hơn không so với phương pháp tiếp cận thuần kỹ thuật. Mục tiêu của đề tài cũng làm rõ tác động mạnh của chiến tranh thương mại Mỹ- Trung Quốc khi thêm nhân tố tác động vĩ mô này vào dự báo.

Đề tài này nghiên cứu, áp dụng phần mềm mạng thần kinh nhân tạo (ANNs) để dự báo lũ ở hạ lưu sông Thu Bồn – Vu Gia.

Artificial neural network (ANN) models have been extensively studied with the aim of achieving human-like performance, especially in the field of pattern recognition. These networks are composed of a number of nonlinear computational elements which operate in parallel and are arranged in a manner reminiscent of biological neural interconnections. ANNs are known by many names such as connectionist models, parallel distributed processing models and neuromorphic systems (Lippmann 1987).

Network Architectures for Prediction Perspective The architecture, or structure, of a predictor underpins its capacity to represent the dynamic properties of a statistically nonstationary discrete time input signal and hence its ability to predict or forecast some future value. This chapter therefore provides an overview of available structures for the prediction of discrete time signals.

Stability Issues in RNN Architectures Perspective The focus of this chapter is on stability and convergence of relaxation realised through NARMA recurrent neural networks. Unlike other commonly used approaches, which mostly exploit Lyapunov stability theory, the main mathematical tool employed in this analysis is the contraction mapping theorem (CMT), together with the fixed point iteration (FPI) technique. This enables derivation of the asymptotic stability (AS) and global asymptotic stability (GAS) criteria for neural relaxive systems. For rigour, existence, uniqueness, convergence and convergence rate are considered and the analysis is provided for a range of activation functions and recurrent neural networks architectures. ...

Data-Reusing Adaptive Learning Algorithms In this chapter, a class of data-reusing learning algorithms for recurrent neural networks is analysed. This is achieved starting from a case of feedforward neurons, through to the case of networks with feedback, trained with gradient descent learning algorithms. It is shown that the class of data-reusing algorithms outperforms the standard (a priori ) algorithms for nonlinear adaptive filtering in terms of the instantaneous prediction error.

A Class of Normalised Algorithms for Online Training of Recurrent Neural Networks A normalised version of the real-time recurrent learning (RTRL) algorithm is introduced. This has been achieved via local linearisation of the RTRL around the current point in the state space of the network. Such an algorithm provides an adaptive learning rate normalised by the L2 norm of the gradient vector at the output neuron. The analysis is general and also covers simpler cases of feedforward networks and linear FIR filters...

Convergence of Online Learning Algorithms in Neural Networks An analysis of convergence of real-time algorithms for online learning in recurrent neural networks is presented. For convenience, the analysis is focused on the real-time recurrent learning (RTRL) algorithm for a recurrent perceptron. Using the assumption of contractivity of the activation function of a neuron and relaxing the rigid assumptions of the fixed optimal weights of the system, the analysis presented is general and is applicable to a wide range of existing algorithms....