一种改进的神经网络算法在销售预测中的应用

本文针对传统神经网络算法的不足之处给出了一种改进算法,且将该算法应用于销售预测中,获得了良好的预测结果,可作为预测商品销售的一种手段.     

一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法，阐述了该算法的具体步骤．对预测系统进行了定义，提出了预测手段，并对预测进行了度量．测试结果与传统方法比较，该方法的较优越性能．     

一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法,阐述了该算法的具体步骤.对预测系统进行了定义,提出了预测手段,并对预测进行了度量.测试结果与传统方法比较,该方法的较优越性能.     

面向区块链物联网的缓存能耗优化策略研究

为了兼顾提供高质量服务和降低能源消耗，提出了请求图卷积模型(RGC)来捕获基于区块链的物联网网络中的时空请求模式并进行预测.提出了一种基于预测的启发式算法，制定预缓存策略，确定要缓存的数据和位置，以最小化受物联网网络实体缓存空间和物联网内容新鲜度限制的平均数据检索延迟.实验表明，本文算法提高了缓存的综合性能.     

神经网络在电力中期负荷预测中的应用

为准确预测电力系统中期负荷，针对常用BP算法的预测速度慢、易陷入局部最优解的缺点，改进了基本BP算法，建立了中期负荷预报模型。负荷预测仿真表明，对BP算法的改进可使预测精度和收敛速度均得到显著的提高．     

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。     

基于ACO-LSSVM的城市火灾预测

火灾的发生具有不确定性,传统线性模型难对该类典型非线性预测问题进行准确预测.为了提高火灾的预测准确性,提出一种蚁群算法(ACO)优化LSSVM的非线性火灾预测算法(ACO-LSSVM).首先收集火灾发生的历史数据,然后输入LSSVM进行训练,ACO对LSSVM进行动态优化,描述火灾发生的不确定性,从而建立一种非线性火灾预测模型.仿真结果表明:ACO-LSSVM解决了传统火灾预测算法存在的缺陷,提高了火灾的预测精度,准确地刻画了火灾的复杂性、非线性变化的特点.     

线性规划中预测一校正内点算法的改进

研究线性规划中预测一校正内点算法的改进，获得了复杂度０（√ｎＬ）进一步地在校正部不仅把迭代点重新置于一个小邻域中，而且降低了对偶间隙。     

预测控制算法的研究现状与展望

预测控制是一种新型的控制算法,该算法最早是在20世纪70年代由Richalet.J在其论文著作中提出.随着控制技术的不断发展以及学者的不断研究与应用,如今预测控制的相关研究已经逐渐趋近于成熟.通过对预测控制的发展和预测控制算法的现状进行探讨,主要包括理论研究与应用研究的分析、算法分析等内容.阐述了当前预测控制在工业控制领域中的发展、算法的现状和今后的研究展望.     

一种神经网络模型在混凝土配比设计中的应用

本文描述了人工神经网络的模型和算法，给出了BP神经网络模型和算法的相关变量的处理方法。用这种方法，对混凝土配合比试验数据进行分析预测，效果良好。说明BP神经网络模型可用于混凝土混合比强度预测中。     

机器学习算法在股票走势预测中的应用

结合K-近邻算法、支持向量机算法和时间序列算法的优点,整合其结果提出一种综合预测算法,并将其应用到沪深300指数的涨跌预测中。首先通过时间序列预测出股票未来一段时间内的走势图,然后结合K-近邻算法判断该走势图的总体涨跌趋势,最后将涨跌趋势量化作为一变量引入到支持向量机算法中,通过支持向量机算法预测最终的股票涨跌。该方法能够弥补3种算法的不足,能够更加准确地预测股市的涨跌趋势。     

一种改进的基于加权模式的BP算法

反向传播算法（BackPropagation）是一种有监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高等问题．文中提出了一种加权和引入参数改进的神经网络BP算法,某种程度上克服了以上缺点．对文中的改进算法用VC平台编程,并利用真实数据,对大学生就业能力进行了预测．实验表明,改进算法有效,也为高校解决大学生就业能力提供了决策支持．     

预测模型的BP神经网络的实现与改进

提出基于反向传播网络预测模型的设计方法，并针对反向传播网络算法的不足之处给出权重调整BP算法，其方法收敛速度快，预测精度高，抗噪能力强，较好地反映了参数之间复杂的非线性关系，为工业生产中数据分析、数值模拟与科学预测提供了良好方法。     

导弹拦截时TBM落点及命中点预测模型

以拦截战术弹道导弹（Tactical Ballisfic Missile,TBM)为背景，提出了一种预测TBM落点及命中点的实用算法。该算法可以使弹道测定、落定及命中点预测的时间大大缩短，不仅能够满足系统实时计算的要求，而且也能够满足拦截战术弹道导弹的精度要求。     

基于路径预测和自适应无线电射程的移动传感网络定位算法研究

针对坑道内的人员和设备定位,提出了一种适用于锚节点固定,未知节点自由移动的移动传感器网络定位算法。基于MonteCarlo算法,采用牛顿插值法对未知节点的运动路径进行预测,并确立其位置的预测模型,根据提出的一种自适应无线电射程计算方法对预测位置进行滤波。减小了无线电射程的不稳定性对预测结果的影响。仿真结果表明：与其它几种具有代表性的移动传感器网络定位算法相比,本算法定位精度更高、对锚节点密度的要求更低。     

基于Volterra级数的RLS自适应算法的混沌时间序列预测

根据混沌序列产生的确定性和非线性机制,基于Volterra级数和RLS算法,提出了一种少参数二阶非线性滤波算法用于混沌时间序列的自适应预测。仿真结果表明,这种非线性自适应滤波器能有效地预测一些超混沌序列,而且该滤波器的一步均方误差性能明显高于其他基于Volterra级数的NLMS算法,表明该算法具有良好的收敛性能。     

随机森林算法在交通状态判别中的应用

随机森林算法随机选择多个决策树构成森林,算法分类结果由这些决策树投票得到,在运算量没有显著增加的前提下提高了预测精度,是一种目前比较流行的组合分类器算法。随机森林算法不仅可以用来做分类,也可用来做回归预测,是机器学习、计算机视觉等领域内应用极为广泛的一个算法。该文将随机森林分类算法用于交通状态判别,利用实测数据进行模型训练和验证,并用袋外数据计算判别正确率,实验结果表明该方法具有可行性,为交通状态判别提供了一种新思路。     

SSAS神经网络算法在呼叫中心运营中的预测应用

介绍一种利用数据挖掘技术建立用于呼叫中心运营中的预测分析挖掘模型。主要介绍了基于Microsoft SQL SERVER Analysis Services(SSAS)的神经网络算法,以及SSAS神经网络算法在对某呼叫中心数据进行预测分析中的应用,通过分析神经网络算法挖掘模型所发现的模式,理解数据和其中的趋势,为提高客户对呼叫中心满意度提供有力的参考和辅助。     

基于BP人工神经网络改进算法的数据挖掘技术应用研究

在阐述数据挖掘技术的产生背景、过程和一些常用方法的基础上,针对原有BP神经网络算法效率较低、易陷入局部极小等不足,提出了一种改进的BP算法,并对其进行推理和验证:同时将其应用到病人数情况预测中.结果表明,与标准的BP算法相比,改进的BP算法具有更好的精度和更高的效率.     

分布式实时系统的调度算法研究

分布式实时系统作为一种典型的实时系统应用受到了关注,目前提出了许多分布式实时系统的调度策略。本文针对诸如静态分配调度算法,动态算法,预测算法,容错调度算法,反射式动态调度算法等系列算法进行了综合的分析。