基于EMD-LSTM模型的台区负荷短期预测方法

深度学习算法是目前台区负荷预测的主要方法.为解决深度学习方法在逻辑拟合、特征冗余方面的问题,提出一种基于经验模态分解和长短记忆神经网络算法的短期台区负荷预测模型.利用经验模态分解将台区负荷分解为多个本征模函数,使用相关性分析法从特征集合中选择各本征模函数的特征子集,用长短记忆神经网络对这些本征模函数分别进行预测.最后采...     

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。     

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。     

基于轮轨接触关系的列车运行安全预测仿真研究

针对判断列车脱轨问题,本文评述了近些年来国内外的研究进展情况。分析了传统判断脱轨的方法,发现传统利用脱轨系数与轮重减载率的车辆脱轨评价方式都是从轮轨间受力情况方面加以分析,在进行脱轨判定时存在严重的误差与不足。在此基础上提出了一种基于轮轨相对位移的脱轨预测方法。通过在ADAMS/Rail中建立单车模型,对轮轨作用关系和列车安全性分析研究,经过仿真实验提取轮轨接触点、接触角、接触横移量、车轮抬升量、脱轨系数等参数,以脱轨系数为指导,采用了一种改进的BP神经网络,通过轮轨间几何数据,对列车的运行状态进行了预测实验。结果表明,通过轮轨间位置关系所得到的预测结果与车辆动力学安全性指标数据基本一致,确定了轮轨几何关系与列车运行安全之间存在非线性关系。对轮轨间几何位置同车辆运行安全性关系的研究内容进行了补充,并对列车运行安全性评价提供了参考。     

基于主题流与深度学习的情感分析算法

基于机器学习的情感分类方法已经取得了较大进展,但在大量情感分类方法中,往往都是结合词嵌入和传统的机器学习方法,缺乏对文本主题以及时序关系等因素的有效利用。针对上述问题,提出了一种基于主题流与深度学习的情感分类算法,通过分析文本的主题分布,并引入时序关系,在此基础上利用适合的长短记忆神经网络的深度学习方法进行情感分类。实验证明,基于主题流与深度学习的情感分类算法性能较好。     

基于反向卷积的Bi-LSTM语音识别

语音本身具有一定的上下文相关性,而传统语音识别系统中的语言模型对历史信息记忆能力不足,无法充分学习语音序列的相关性。为解决该问题,提出一种基于反向卷积的双向长短时记忆(Bi-LSTM)网络的语音识别方法,该模型在反向长短时记忆单元通路末端增加了一个卷积层,再经过两个全连接层,最后通过分类器输出识别结果。将该模型与目前主流的深度学习模型进行实验对比,结果表明该模型能有效提高语音识别正确率。     

利用学习者画像实现个性化课程推荐

在"互联网+"在线学习环境下,探索符合学习习惯和偏好的个性化推荐路径能够降低学习者学习的盲目性、提升学习者在线学习体验.文章提出了一种基于学习者画像的个性化课程推荐方法,首先,利用爬虫技术获得Bilibili网站30多万名学习者的数据,然后对学习者学习数据进行定量分析,尤其是在个性化特征最明显的情感表达方面,采用了基于注意力机制的双向长短时记忆网络进行情感分析,从而构建了包含学习者基本信息、行为和弹幕文本三个维度的学习者画像特征模型.在此基础上,利用深度神经网络建立了教学资源与学习者画像之间的关系模型,用该模型预测学习者新的学习需求.实验结果表明,当学习者登录后,输入要选择的课程,模型能够根据学习者画像推荐相似学习者学习过的课程,提供个性化课程推荐服务,且推荐评价指标也表明该模型能够提高推荐性能.     

基于图论的学习记忆拓扑结构的研究

学习记忆是认知心理学研究领域中一个最核心的方向。关于这方面的研究成果已经很多。其研究的方法也很多。众所周知,学习与记忆的机理是建立在生物神经网络的基础上的,因此,要对学习与记忆的机理进行进一步深入的研究,弄清生物神经网络的拓扑结构是很必要的。基于此,作者在这篇文章中,对有关的生物神经网络中神经元之间的相互连接问题和研究进展进行综述,并以数学学科中的图论为工具提出对生物神经网络拓扑结构进行探索。     

基于集成学习模型的糖尿病患病风险预测研究

为提高早期糖尿病患病风险的预测准确性,基于集成学习算法建立糖尿病患病风险预测模型.分别基于集成学习算法随机森林、GBDT和XGBoost建立糖尿病预测模型,并比较以上3种方法与单一分类器支持向量机和BP神经网络的分类预测性能.在UCI数据库的早期糖尿病数据集上进行验证试验,使用准确率、精确率、召回率、F1分数和AUC ...     

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。     

CNN结合BLSTM的短文本情感倾向性分析

情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络（CNN）和双向长短时记忆网络（BLSTM）进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。     

基于混沌时间序列的模糊神经网络预测研究

为研究混沌时间序列预测问题,提出了一种结合模糊神经网络的预测方法,对输入数据进行模糊规则提取,再经过优化得到最佳模糊规则库。通过神经网络的自适应学习能力调整隶属函数参数及网络权值等信息,对相关混沌时间序列进行预测。对Mackey-Glass系统及Lorenz系统进行仿真实验,结果证明了该系统的有效性。     

基于优化RBF神经网络的缝纫平整度客观评价

该文提出了一种基于优化RBF神经网络的丝织物缝纫性能客观评价系统.该系统根据丝织物面料的FAST力学指标与缝纫性能之间的关系,运用神经网络的方法进行面料缝纫性能评价和预测,并提出了一种基于模糊核聚类的优化径向基神经网络学习算法.经过大量实验,该系统对一般丝型织物的缝纫平整性能评价预测具有客观、快速和高效等优点.     

基于深度学习的数字识别方法研究

近年来,手写数字识别是计算机视觉与模式识别中一个广受关注的问题。该问题的主要挑战是如何设计一种有效方法,以识别用户通过数字设备提交的手写数字。目前,深度学习算法在计算机视觉领域非常流行,被用于处理诸如图像分类、自然语言处理及语音识别等问题。以几种深度学习常见算法,包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络等为研究对象,分析其在手写数字识别方面的优缺点,并引入Google 第二代人工智能系统 TensorFlow,对比相同算法在不同框架下的识别速度及准确率。实验结果表明,几类深度学习算法都能明显提高识别准确率,且在训练数据集时不会损耗过多计算资源。     

论性别对词汇记忆的影响

文章从短时和长时记忆成绩两个变量中探究是否存在性别差异及变量间的关系,并对统计数据进行分析;结果发现短时、长时记忆成绩都存在显著性别差异,女生成绩明显优于男生;短时记忆和长时记忆成绩间存在很高的正相关系数,短时记忆对长时记忆成绩的预测效果也很强.     

融入时空注意力机制的深度学习网络视频动作分类

为了减少基于深度学习动作识别过程中视频图像背景和冗余帧等对识别效果的影响,在深度学习框架中加入注意力机制,提出了一种利用长短时记忆(long short-term memory,LSTM)网络等强化特征提取的方法.首先,改进了数据处理方法,使用融入空间注意力机制的残差网络提取视频中的动作序列空间特征;其次,提出时序注意...     

基于神经网络的透气性状态预测

针对烧结过程的时变、强非线性等特点,基于神经网络和粒子群优化算法,提出一种预测透气性状态的集成方法.采用神经网络分别建立透气性预测模型,采用粒子群优化算法对神经网络进行训练,提高预测模型的实时性;进而借助模糊分类器将预测子模型实现有机融合.最后实际运行结果表明,提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果.     

利用记忆规律,提高学习效率

现代信息加工心理学家在研究人类的学习与记忆时,把学习与记忆看成是信息加工过程,并根据信息在头脑中停留时间的长短,把记忆区分为三个系统,即瞬时记忆系统、短时记忆系统和长时记忆系统.     

粒子群优化在股指预测中的应用

BP神经网络由于自身的缺陷,导致训练时间长且易于陷入局部极小点,易导致股指预测精度不高．将粒子群优化算法用于神经网络的学习训练,可改善它原有的缺陷,并用于对股指的预测．实验结果表明,与BP神经网络相比,基于粒子群优化的神经网络对股指的预测精度更高．     

基于改进神经网络模型的股指预测实证研究

针对BP神经网络容易陷入局部最小值以及网络收敛速率缓慢等问题,利用遗传算法优化网络权值和阈值,根据网络输出总误差变化对学习率进行动态调整,并运用改进的BP神经网络模型对上证指数进行预测分析.实证研究表明,改进的BP神经网络预测模型能够加快算法收敛速率,有效地提高预测精度.