本文介绍了一种使用人工神经网络结合预处理算法来改进针织传感器与物理反应之间映射效果的方法，并通过对重采样传感器信号应用多种指数平滑滤波器提取相关特征来实现前处理。经过对三层、8 个神经元的 ANN 进行训练，我们在映射传感器读数和物理反应之间实现了显著改进。同时，本研究也表明这种方法对具有不同材料和结构的传感器均适用，并可以应用于应变等相关物理特征。

Jun, 2023

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

通过扩展现有认证标准中必不可少的可理解性、正确性和有效性等概念，我们提出了一种设计可靠人工神经网络（ANN）的方法论，并将其应用于一个具体的案例研究中，设计了一个高速公路 ANN 基础运动预测器，以确保安全特性，例如如果其右侧有其他车辆，则无法建议自车向右车道移动。

Sep, 2017

提出了一种考虑了 ANN 模型可解释性和超参数选择的模型，用于智能家居应用领域的入侵检测，针对五种类别攻击和九个亚类别攻击进行了模型配置、性能和评估，利用最新的 IoT 数据集，该方法在二进制、类别和子类别攻击分类方面表现出高达 99.9%、99.7% 和 97.7% 的准确度。

May, 2022

本文探讨了如何利用深度学习来研究神经健康以及在算法模型中解释神经分析的困难。其重要贡献在于调查死亡神经元对人工神经网络性能的影响，以评估这些发现在生物领域的潜在应用，可能对神经系统疾病的治疗有重要影响。

Jun, 2023

通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

Aug, 2023

提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 2021

提出了一种神经符号架构，使用在线规则学习算法解释黑盒模型预测故障的方法，并使用无监督的自编码器实现异常检测。

Apr, 2024

通过使用多种人工神经网络从大鼠坐骨神经的电神经图（ENG）信号中提取感觉刺激，本研究分析了四种不同类型的人工神经网络对实时分类的可行性，并通过准确率、F1 得分和预测时间的比较评估了它们的性能。结果表明，某些人工神经网络更适用于实时应用，能在低处理时间内实现大于 90％的准确率，对于病理恢复具有足够的效果。

Mar, 2024

本文探讨了将人工神经网络应用于安全关键领域中时面临的验证和认证挑战，提出基于属性的解决方案，通过混合整数优化问题的编码启发将 ANN 的最大弹性边界计算问题转化为解决 MIP 问题，并开发了多种 MIP 编码启发式方法，可极大地降低 MIP 求解器的运行时间，通过实验验证了该方法的高效性和可扩展性。

Apr, 2017