目前北京理工大学基于神经网络的智能无人机疫情预警监控系统主要由无人机平台、光电载荷、喊话系统和地面控制及图像处理平台组成。 该智能无人机疫情预警监控系统能够自动监控广场、公路、小区等各类环境中的人群，检测人员聚集情况，利用红外热成像技术实时获取人员体温情况，实现在非接触情况下对疑似高危人员的快速区分，并快速形成疫情人员相关数据，还可以提供数据接口，供大数据系统进行分析。该智能无人机疫情预警监控系统可同时提供监控人员及被监控人员交互通道，通过喊话系统，监控人员可以随时疏导或制止被监控人员的异常行为，为疫情监控和预警提供了更为清晰和直接的手段方式。

一、项目简介 随着AlphaGo及其Zero的相继推出，近年来以神经网络计算为基础的深度学习及相关优化算法已成为人们研究AI的热点。深度学习算法在AlphaGo中的成功应用主要是依赖神经网络监督学习的网络层次及神经元数量提升，而其Zero的应用不同则是在于引进了博弈优化的思想，这就给以并行计算为核心的神经网络优化算法理论研究提供新的思路。 鉴于传统神经网络优化算法面临非全局优化的难题，我们基于吉布斯分布采样优化计算，提出一种以脉冲神经元构成的混合网络结构动力学系统来实现的神经网络全局优化算法，引进纳什平衡理论来优化的神经网络计算方案，并设计一款相应的通用神经网络并行处理器芯片，以新型芯片编程架构模拟人脑功能进行感知、行为和思考新型芯。 二、前期研究基础 本团队主要是由厦门大学福建省集成电路设计工程技术研究中心、厦门大学集成电路设计与测试分析福建省高校重点实验室的教师与学生组成的，主要从事人工智能、网络通讯、集成电路设计、纳米单电子器件等方面的研究工作，并积累了深厚的研究基础。团队首席科学家郭东辉教授十多年前曾在美国加州Berkeley 大学非线性电路实验室访问，从事有关细胞神经网络(CNN)有关课题的研究，先后主持国家自然科学基金项目五项，其中与神经网络研究内容相关的有两项，分别是《视觉神经网络光电集成系统的研究》(批准号：69686004)和《混沌神经网络加密算法及其相应集成电路的设计研究》(批准号：60076015)。 本团队同时也是厦门市集成电路设计公共服务平台的主要技术支撑单位。在厦门市科技重大专项经费的支持下，我们配备了开展模拟及数字SOC 芯片设计所需要的各种EDA 工具和IC 测试设备。此外，厦门集成电路设计公共服务平台也是TSMC、SMIC 等芯片制造厂重要合作伙伴，并与厦门联芯、三安集成等芯片制造厂也有长期的合作协议，可以进行包括射频及功率芯片在内各类模拟及数字SOC 芯片的设计流片。同样，在学校211 和985 经费的支持下，本团队也独立配备了8 台IBM 服务器分别运行MATLAB、OPNET、SPW、ANSYS、Silvaco TCAD 等系统设计与器件工艺仿真工具。本团队所在的微电子与集成电路学科也已列入我校“双一流”建设学科，有关类脑芯片设计相关课题研究所需要的科研环境建设将得到重点支持。特别是厦门联芯公司在量产后，已将本团队作为其先导技术开发的重要合作伙伴，也委托我们开发相应的器件模型及电路工艺库。在厦门火炬高新区及厦门市IC 平台的支持下，厦门联芯公司还可以为我们团队提供免费的MPW流片业务。 自2009年，本团队与福建新大陆电脑股份有限公司签署 “共建SoC联合实验室”以来，基于该平台，每年合作项目经费近百万，同时还完成了多项横向合作项目：面向金融、税控的专用信息处理与控制SoC芯片开发、安全密码算法研究、区块链接技术研究等等，培养了大批优秀的硕士毕业生；厦门市美亚柏科信息股份有限公司是本团队的长期合作伙伴之一。 总之，不管从算法理论研究还是从应用技术开发来看，本课题组已具备相当优秀的研究基础和研究经验，以及显著的前沿技术攻关能力。 三、应用技术成果我们的相关研究成果也得到企业界的重视和肯定，课题组先后承担过如深圳 华为公司首歀交换芯片项目的调度算法设计、福建新大陆首款二维码识别芯片的算法及后端版图综合设计、台湾盛群公司首款32 位处理器及专用处理器编译器开发和厦门元顺公司多款电源管理芯片的设计。最近课题组还为我国某研究机构开发28nm 的低功耗设计流程专门设计一款挂载加可重构解密算法协处理器的32 位通用处理器验证芯片。

原子核裂变数据的精确测量是很多核物理应用的先决条件，比如核能、国防、辐射防护、核废料处理、产生稀有同位素等。核裂变物理在超重元素合成、反应堆中微子、中子星融合中的r-process等研究中也不可缺少。特别是走向新一代核能-快中子反应堆，急需锕系核区精确的不同能量中子诱发裂变数据。但是目前实验和理论都无法提供可靠及完整的能量相关裂变数据。 由于涉及中子的实验难度较大，国际上主要的核数据库只有几个能量点的裂变数据。理论上基于微观模型去描述裂变过程非常复杂，是一个涉及多维位能面的大幅度、非绝热的量子动力学过程。目前微观理论对裂变可观测量的描述还有较大误差。 此外基于唯象裂变模型对未知核区和未知能区的外推往往不可靠。 北京大学物理学院裴俊琛研究员课题组首次采用贝叶斯神经网络（Bayesian Neural Network）来评估不完整的裂变产物分布。此前贝叶斯神经网络对原子核质量外推有一些成功的应用，并可以得出推断的误差，但是仍有量子壳效应的疑虑。核裂变过程涉及复杂的位能面，裂变产物分布具有统计特征，比较适合神经网络。 贝叶斯神经网络对不完整核裂变产物的评估 目前核裂变产物的实验测量很难给出完整的产物分布，只能结合模型评估给出完整的裂变产物分布。人们通常基于唯象模型、通过调参数来拟合出产物分布。该工作通过对已有裂变数据库的学习，当实验测量给出不完整的裂变数据时能够推断出完整的裂变产物分布。结果表明，随着中子能量增加，裂变模式逐渐从不对称裂变演化成对称裂变。这说明神经网络能成功抓住部分物理图像。当实验数点很少时，唯象评估模型失效，神经网络仍然可以给出有效的评估和合理的置信区间。贝叶斯神经网络对核裂变产物的评估开辟了一个新的方向，展现了机器学习的一个实际应用范例，将对核数据的定量评估产生重要影响，有望更好地提供应用级的精确核数据。 不同能量的裂变模式演化

浮选技术是目前矿业中矿物分选主要采用的工艺方法。传统的浮选控制过程是通过各种测量仪器，分析测量矿物的品位、浮选回路中的pH值、药物浓度等参数，根据分析得出的数学模型来调整加药量，以使浮选过程处在最优状态下。但实际上，由于浮选过程十分复杂，影响浮选过程的因素非常多，所获得的数学模型并不能和实际很好吻合，因而控制过程一般并不能处在最优状态下。这是浮选控制过程的

简介：本发明公开了一种烟道飞灰等速取样器及基于BP神经网络的烟道飞灰等速取样系统和控制方法，属于烟道飞灰检测领域。烟道飞灰等速取样器，包括取样嘴、取样管、旋风分离器和取样瓶，还包括引射管、调节嘴和排气管，一种基于BP神经网络实现烟道飞灰等速取样系统，包括取样器、PLC控制器、执行器、压力传感器和BP神经网络模块；一种基于BP神经网络的烟道飞灰等速取样系统的控制方法基于BP神经网络实现烟道飞灰等速取样，使用了大量实时测得的数据来预测接近实际的烟道静压，解决了等速采样的滞后性问题，提高取样的准确性，具有计算误差小，数据处理能力强，设计成本低的优点。

本发明公开了一种认知无线电中基于自组织映射神经网络的恶意用户判别方法，本发明利用自组织映射(简称SOM)神经网络学习输入能量矩阵的分布特征，并根据学习结果对输入量进行有效的分类。首先引入“可疑度”的概念，其大小根据每次训练后每种类别所包含的次级用户的个数进行分配。为了消除传统的SOM神经网络的缺陷，本发明进一步提出了“平均可疑度”的概念。具体步骤包括：获得能量矩阵，利用SOM神经网络算法对能量矩阵进行训练得到分类矩阵，计算每个次级用户的“可疑度”，构造索引矩阵并重复训练过程，并将每次得到的“可疑度”取平均值，即“平均可疑度”，并利用“平均可疑度”对次级用户进行分类，识别出恶意用户或是正常用户。

本发明公开了一种反馈型人工神经网络训练方法及计算系统, 属于神经网络计算领域。一种人工神经网络训练方法，突触权重根据 神经突出两端的前馈信号和反馈信号调整，当神经突出两端分别为兴 奋前馈信号和兴奋反馈信号时，该突出权重调整到最大值，当神经突 出两端分别为静息前馈信号和兴奋反馈信号时，该突出权重调整到最 小值；一种反馈型人工神经网络计算系统，节点电路包括计算模块、 前馈模块和反馈模块，节点电路通过忆阻器模拟的神经突出相

本发明涉及一种基于 RBF 神经网络的电缆接头导线温度预测方法。本发明主要分以下 4 个步骤：1） 样本数据采集：实时测量与电缆接头导线温度有联系的关联因素（环境湿度、环境温度、护套温度、接 头处绝缘层温度、触头温度和各种表皮温度）；2）网络训练：首先对 1）采集的数据进行预处理，划分 训练数据和预测数据，然后设置各种参数，创建网络，最后进行数据预测；本发明将神经网络技术应用 到电缆接头导线温度预测中，对电缆接头导线温度在线实时监测与故障分析有较好的作用。 

研发阶段/n主要研究支持神经网络芯片的设计自动化工具及FPGA验证系统，设计自动化工 具本身针对ASIC和FPGA都适用。 项目主要研究：（1）研究基于模型层的设计空间探索方法;（2）研究可重构 神经网络硬件单元抽象和归约方法；（3）开发面向嵌入式、功耗约束下的FPGA神 经网络芯片系统，突破神经网络芯片设计小型化遇到的关键难题。本项目提出的自 动综合工具至少支持CNN 等两类不同神经网络拓扑，支持Caffe配置文件prototex 拓扑描述语言，生成的FPGA芯片，性能比CPU快1个数量级，能效比

本发明实施例公开一种基于改进的Hopfield神经网络的服装标志识别方法，应用于计算机领域，以解决现有的靠人工对商品的标志进行识别效率极低的问题。该方法包括：通过小波变换对原始图像进行特征提取；根据所述特征作为目标模式建立Hopfield神经网络模型。本发明的实施例应用于标志识别。