本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

Apr, 2018

使用人工神经网络（ANN）模型，研究开发了一种强大的机器学习工具，用于高精度预测锌生产中压力过滤工艺的蛋糕湿度。

Aug, 2023

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

使用基于机器学习的恒功率开环控制器，能够通过构建位移轨迹和所需功率之间的映射，实现对尼龙人工肌肉的位置控制，无需外部传感器。

Oct, 2023

本文研究了基于神经形态计算的尖峰神经网络（SNN）模型，用于过滤在高能物理实验中使用的传感器电子学数据。我们提出了一种开发紧凑型神经形态模型的方法，该模型根据粒子的横向动量过滤传感器数据，以减少发送到下游电子设备的数据量。传入的电荷波形被转换为二进制事件流，并由 SNN 进行处理。我们提供了关于各种系统设计选择的见解 —— 从数据编码到训练算法的最佳超参数，为了获得一个精确而紧凑的用于硬件部署的 SNN。我们的结果表明，使用进化算法和优化的超参数训练的 SNN 获得了约 91% 的信号效率，并且参数数量几乎是深度神经网络的一半。

Jul, 2023

通过系统分析方法如何确保人工神经网络（ANNs）的稳定性和效率？利用控制系统的知识可以分析其系统功能和模拟系统响应，该方法可以有助于优化器和学习系统的开发，特别是在识别对 ANNs 产生负面影响的组件时。

Oct, 2023

本文介绍了一种基于神经网络的设备本地 (on-device) 学习方法，该方法能够在低端设备上提高边缘人工智能 (Edge AI) 应用的精确度并节省计算和通信成本，特别是在有噪声的环境下重训练 (retraining) 后可显著提高异物检测 (anomaly detection) 的准确性。

Mar, 2022

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

我们提出了一种使用人工神经网络隐藏层提供的输入的降维表示进行局部重新校准的人工神经网络预测分布方法，通过仿真研究证明了我们的方法相对于其他方法具有良好的性能，并探索了基于网络的不同层进行校准定位的益处。最后，我们将我们提出的方法应用于钻石价格预测问题，证明了我们的方法在现实世界应用中提高预测和不确定性量化的潜力。

Mar, 2024

提出了一种数据驱动的方法 CaNN （Calibration Neural Network），用于使用神经网络（ANN）校准金融资产价格模型。该机器学习框架可以有效和准确地校准高维随机波动模型的参数。

Apr, 2019