应用可解释的人工神经网络预测表层嵌贴纤维增强复合材料板条与混凝土界面的粘结强度（英文）

目的:针对采用纤维增强复合材料加固的钢筋混凝土结构,本文旨在运用机器学习方法取代目前广泛使用的半经验-半分析理论公式,以准确预测该类加固结构中表层嵌贴纤维增强复合材料(CFRP)板条与混凝土界面的粘结强度。创新点:1.建立反向传播人工神经网络(BPNN)预测表层嵌贴CFRP板与混凝土界面的粘结强度。2.采用基于Garson算法和连接权重算法的神经解释图(NID)定量分析神经网络中各个输入变量的重要性。方法:1.从作者课题组完成的实验和已发表的文献中收集共163组表层嵌贴CFRP-混凝土单剪实验结果,并形成数据集。2.运用建立的数据集训练和测试BPNN,构建实验参数与界面粘结强度间的非线性映射关系及预测模型。3.基于Garson算法和连接权重算法分别计算神经网络输入变量的重要性,并通过NID分析数据集中有重要影响的输入变量和无效输入变量。结论:1.建立的BPNN模型得出的预测结果与实验数据吻合良好,预测值与真实值之间的决定系数在整个数据集中的表现为0.957。2.通过删除数据集中的无效输入变量可提高BPNN的计算效率和准确性。3.与现有的半经验-半分析理论公式相比,本文建立的BPNN模型可以得出更准确的估计。     

改进的灰色GM(1,N)模型在经济中的预测与应用

论文就修正GM(1,N)预测模型的误差,提出了新方法.使用BP神经网络对预测模型的残差进行预测,得到的残差预测值对所建模型的预测值进行残差修正,以减少因子变量预测误差对行为变量预测的影响.实践表明这些改进模型可以有效地提高GM(1,N)模型的预测精度.     

基于灰关联分析的神经网络组合预测模型

针对提供的道路交通事故相关影响因子数据,构建了基于关联分析的灰色神经网络组合道路交通事故预测模型。结合实例,用所提出的模型给与了预测。结果表明,基于灰色关联分析神经网络预测模型充分发挥关联选优的优越性,比全输入神经网络预测模型有更好的预测精度,从而说明运用灰色关联分析方法对输入因子选择是有效可行的。基于灰色关联分析的神经网络组合交通事故预测模型充分发挥各单一模型的优点同时弱化了单一模型的缺点,比单一模型的预测结果更理想、精度更高。     

基于PCA-ESN模型的潘家口水库水位预测研究

选择河北省潘家口水库为研究对象,采用PCA算法对数据进行预处理,选取新的主成分作为输入变量,再通过ESN模型对水库水位进行预测。实验结果表明,历史水位、降水量2个因素的变化对水位有较大的影响;ESN预测模型能较好地预测水位变化趋势,误差小,精度高,应用在水位预测上具有可行性和有效性。     

基于改进的径向基函数神经网络水泥强度预测方法

通过将遗传算法应用于径向基函数神经网络参数设计中,提出一种基于遗传算法优化的径向基函数神经网络水泥强度值预测模型,实现径向基函数神经网络隐层节点函数的中心矢量、基宽向量和隐层与输出层之间权值的优化设计.以经归一化处理后的输入样本数据为模型输入,以水泥28 d强度值为模型输出,建立经遗传算法优化后的径向基函数神经网络预测模型.仿真结果表明,优化后的径向基函数神经网络能达到较高的预测精度,可用于水泥强度的预测.     

深度学习法在收入预测问题中的应用

为了提升电信行业收入预测问题准确率,建立基于循环神经网络和长短时记忆网络相结合的收入预测模型。首先对数据作预处理,然后建立卷积层进行核心预测算法优化,再通过训练寻找最优参数,并将其应用于电信运营商收入预测。实验结果表明,该模型可以预测出未来一个月或者几个月的收入增减变化趋势,预测准确率比传统方法提高20%,算法收敛性也提高约15%。该模型预测结果对于电信行业制定营销方案具有较好指导作用。     

基于机器学习的土体压缩模量预测及一维基础沉降应用（英文）

目的:土体压缩模量是影响岩土体结构变形的重要参数之一。本文旨在通过机器学习的方法实现对压缩模量的预测,并通过构建一个机器学习模型,得到塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深这6个输入参数与压缩模量预测值之间的关系。创新点:1.构建一个机器学习算法框架以实现对土体压缩模量的预测;2.此框架包括梯度提升回归树(GBRT)和遗传算法(GA),并采用GA对GBRT超参数进行获取。方法:1.通过收集整理工程报告获取本次预测的数据集(样本211个);输入参数有6个,分别为塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深;输出参数为压缩模量。2.采用GBRT算法识别输入变量与目标响应之间的非线性规律,并采用GA调整GBRT模型的超参数。3.模型训练完成后,对压缩模量进行预测。4.将测试集上的预测结果和传统方法进行对比分析并应用到一维基础沉降中。结论:1.本文提出的GA-GBRT模型可以较好地实现对土体压缩模量的预测;GA可以对GBRT算法的超参数进行有效标定。2.训练后的GA-GBRT模型在训练集和测试集上都表现良好;在训练集和测试集上的相关系数R值分别为0.82和0.91,说明模型可以对压缩模量进行准确预测。3.对输入变量相对重要性的研究发现,液性指标是本研究中最重要的变量,其重要性得分为0.313(总数为1);其他指标的重要性排序依次为:液限、塑限、塑性指数、比贯入阻力和埋深。4.对于地基沉降的预测,本文提出的模型在相关系数R值和Mann-Whitney检验结果上均优于经验公式。5.本文提出的GA-GBRT模型可以更经济、更快速地预测土壤压缩模量。     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

基于GMBP模型的图书馆借阅人数预测及管理对策研究

用灰色GM(1,1)预测模型和BP神经网络预测模型相结合而成的灰色神经网络GMBP模型,对图书馆借阅人数进行预测.基本思路是运用灰色GM(1,1)模型所得到的预测值按前两年来预测下一年的组合规律分别作为BP神经网络的输入输出,并用对模型进行学习验证.该模型有效地把灰色理论的弱化数据波动性的优点和神经网络非线性特点结合起来,并以科学预测为依据提出图书馆资源管理对策.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入—多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

基于神经网络集成的作物需水量预测

应用神经网络集成模型,以空气湿度、温度、太阳辐射以及风速为输入,利用交叉验证方法确定网络隐层节点数,建立作物需水量的预测模型。实验结果表明,与单个神经网络与随机森林模型相比,神经网络集成模型能获得更好的预测精度,可用于节水灌溉。     

基于灰色神经网络组合模型的电力消费量预测——以河北省为例

在分析灰色预测模型GM(1,1)以及BP神经网络预测模型2种单一模型在电力消费量预测方面不足的基础上,提出灰色神经网络组合预测模型。以河北省电力消费量为基础,分别用3种模型进行预测,并加以比较分析。结果表明,灰色神经网络组合模型提高了关于河北省中长期电力消费量的预测精度,对河北省未来电力系统及能源需求规划具有一定参考价值。     

基于人工神经网络BP算法的莆田市房价预测

通过对房价影响因素的分析,研究房价准确预测模型.结合国内外的文献,提出利用BP神经网络和指数平滑的相关知识,建立房价预测模型.首先,分析了房价的影响因素,在文献综述的基础上,结合分析确立了房价影响因素模型,在此基础上,利用BP神经网络构建房价预测模型;其次,利用莆田市2005-2014年的数据进行实证研究,验证模型的准确性.在模型可行及准确的基础上,再结合指数平滑法对2016-2020年的房价影响因素值进行预测;最后结合建立的BP预测模型,预测未来5年的房价走势,为政府决策及居民投资提供依据.     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

基于L_1范数IOWGA算子的大学生就业信心指数组合预测模型

大学生就业信心指数的预测可以在一定程度上了解大学生就业信心的变化趋势.因此,文章建立了基于L1范数的诱导有序加权几何平均(IOWGA)算子的组合预测模型及预测有效度评价指标体系,以山东省德州市某高校2000—2012年大学生就业信心指数数据,对大学生就业信心指数中的全局信心指数进行分析预测,并与采用GM(1,N)预测模型、单指数平滑预测模型和ARMAX预测模型分析结果从预测精度、预测模型有效性上进行比较.结果表明:基于L1范数的IOWGA算子组合预测模型比其他三种单项预测方法预测方法精度更高且为优性组合预测,本模型对大学生就业信心指数预测是可行的,可以用于对大学生就业信心的定量研究.     

基于汽油催化裂化过程实时数据的辛烷值损失预测模型

为准确预测汽油生产过程中辛烷值的损失,首先对某石化企业提供的实时数据进行处理,再根据处理后的数据建立灰色关联模型,筛选影响辛烷值损失的主要操作变量.以所选择的主要变量作为模型的自变量,辛烷值损失值为模型的因变量,基于BP神经网络建立辛烷损失值的预测模型,仿真结果表明,85％以上的预测值绝对误差小于0.2个单位.     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。     

BP网络模型在煤与瓦斯突出预测中的应用

煤与瓦斯突出是一种极其复杂的瓦斯动力灾害现象.以突出前兆的非线性特征值为输入值,基于BP神经网络的煤与瓦斯突出非线性预测模型,可以智能化定量判识煤与瓦斯突出危险.自适应学习速率法加快了网络收敛速度,该模型通过Matlab工具实现.实验结果表明,基于BP神经网络的预测模型可靠,预测精度高,效果良好.     

基于灰色预测与BP神经网络的全球温度预测研究

为深入了解全球变暖缘由及影响,探究变暖是否停滞,考虑地球吸热、散热及海洋温度变化等因素,构建一种全球温度预测模型,预测未来25年温度变化。采用主成分分析法找出贡献度较大的3个主成分,再用3组灰色预测模型预测海洋平均温度、二氧化碳排放量、太阳长波辐射等8个变量,并进行光滑比、级比和残差检验。结果表明,预测符合前29年（1990-2018年）时间序列图规律,用历史数据训练BP神经网络,然后把8个变量的预测值代入神经网络,拟合优度为0.922 72,精度非常高,可以看出全球平均温度距平序列越来越大,说明温度正逐渐升高,而不是停滞。     

一种基于LSTM神经网络的电力负荷预测方法

设计了一种基于长短期记忆(LSTM)神经网络的电力负荷预测模型,在TensorFlow框架下使用Python语言编程实现;使用西班牙2018年一整年的电力负荷数据对模型进行训练,得到的模型可准确预测电力负荷数据的日变化、周变化规律,模型损失值可达0. 2,验证了模型的有效性;与RNN模型对比证明了LSTM模型的长期依赖学习能力更为优越。提出的模型是一种有效的电力负荷数据预测方法,可为电力系统的负荷预测提供依据。