选择神经网络隐层单元数的另一个指标

透过两次应用准交叉证实法选择作为在线状态估计器的神经网络隐层单元数所得结果不一致的现象，分析了每一选择循环中各次训练结果预测误差平方和的分散情况，发现各次预测误差平方和样本标准差与交叉证实法中用的选择指标有着类似的随隐层单元数增减而变化的趋势，提出了可用此样本标准差作为选择神经网络隐层单元数的别一个指标，并根据两个指标所得选择结果是否一致判断受随机因素影响的程度，从而提高选择结果的可靠性。     

基于Elman神经网络的空调负荷预测研究

为了更准确对空调系统负荷进行预测,文章在介绍Elman神经网络原理的基础上,对应用在处理动态数据模型上具有优越性的Elman回归型神经网络建立负荷预测模型,讨论了负荷预测模型中隐层神经元数目的选取,并对空调负荷值进行预测.同时也对静态前馈型BP神经网络进行建模和预测,比较两种预测结果,分析其误差,证明了Elman网络在动态预测实验中与BP网络相比较的优势.     

BP神经网络的非线性思想

BP神经网络是误差反向传播神经网络的简称,是目前应用最为广泛和成功的神经网络模型之一。它的最大特点是提供了一个处理非线性问题的模型,系统地解决了多层网络中隐单元连接权的学习问题。     

基于模糊观测数据的RBF神经网络回归模型

提出了一种基于模糊观测数据的RBF神经网络（FORBFNN）,用于解决一类输出不可精确测量但可用模糊隶属度来表征的非线性系统建模问题．神经网络模型中各隐层神经单元的权重系数采用一种新的模糊EM算法辨识获得;隐层神经单元的数量及径向基函数的中心和宽度基于一种数据驱动的方法自适应确定,即首先初始生成一个隐层单元,然后根据一定的规则逐步加入新的单元,该过程不断迭代直到模型满足预设要求．该方法同时考虑了模型的复杂度及预测精度．数值模拟实验结果表明该建模方法是有效的,且建立的模型具有较高的预测精度．     

基于自相关系数的有序样本聚类分析

有序样本的聚类关键是建立合理的分类指标。将系统聚类法与Fisher算法相结合,引入样本一阶自相关系数描述相邻样本间的相关关系,并以此为分类指标,进行分类。最后运用离差平方和确定最优分类数及分类结果,分类结果符合实际。     

贪心算法在智能导检中的应用研究

基于贪心算法建立可靠的智能导检路径优化模型,依据预测多个检查项目的体检顺序及时间节点信息,优化健康体检时间.将2021年3月份江苏省中医院体检中心的体检数据作为初始数据样本,经过数据清洗最终选择29126条数据作为研究对象,利用最小二乘法拟合数据构建体检客户到达率与时间的函数关系,将误差平方和(SSE)及R-squar...     

基于BP神经网络的老化沥青胶浆自愈合性能预测技术研究

以宁沪高速苏州段大中修工程为依托,通过二次老化沥青的性能实验和疲劳自愈合实验,获取针入度、软化点、旋转黏度、流动指数和自愈合指数等指标,并建立了基于BP神经网络的二次老化沥青自愈合指数预测模型。预测结果与实际值的对比结果表明,该模型对两类沥青的决定系数R2均大于0.9,误差平方和SSE均小于0.2,说明该模型预测精度较高。该模型可预测不同条件下沥青胶浆的愈合指数HI值,为沥青路面使用周期内沥青老化程度监测及沥青路面养护再生时机选择提供参考。     

AR(p)与指数平滑组合预测算法

本文提出一种对铜铳品位进行预测的新方法，以采集的现场数据为基础，采用系统辩识动态地建立了AR(p)模型与三次指数平滑模型，AR（p)模型要求数据对象是平衡时间序列，而三次指数平滑型的数据对象具有随机性，考虑到铜锍品位的波动性，本文将二模型按最小二乘法原理，以组合预测误差平方和为目标函数，通过使误差平方和极小化来确定两种预测方法的优化，建立了一种新的组合模型，在三种模型中其预测误差最小。     

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。     

BP神经网络隐层结构的设计方法

针对神经网络隐层结构设计问题,介绍了几种神经网络隐层层数和各层节点数的设计方法.此方法计算量小,具有很高的实用参考价值.     

基于BP神经网络和AR模型的人口预测

利用MATLAB编程软件,分别建立BP神经网络和AR模型,采用全国出生率,死亡率,老年抚养率等9个指标作为样本,分别对BP网络和AR模型进行训练,预测5年后的人口数量.结果表明这两种方法预测人口均是可行的,效果较好,误差很小,但是AR模型较适合线性预测,而BP网络适合较非线性预测.     

用人工神经网络预测时用水量的方法

根据城市时段用水量序列季节性、趋势性及随机扰动性的特点 ,利用人工神经网络方法 ,建立了时间水量短期预报模型 .选取不同的隐层结点数 ,采用相同的输入样本及预测数据进行训练和预测 ,并通过比较其相对误差的大小 ,确定了神经网络的结构 ,并应用 Matlab语言进行了具体的建模和预报 .实例考核证明 ,该方法与常用的时间序列三角函数分析法相比 ,具有预测误差小、计算速度快等特点 ,可满足供水系统调度运行的实际需要     

混沌时间序列单变量和多变量重构的预测比较

提出了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数的选取方法，给出了多变量混沌时间序列的局部平均预测法，局部线性预测法和BP神经网络预测法等3种非线性预测方法．通过Lorenz系统的仿真计算表明，无论用3种非线性预测方法中的哪一种，多变量混沌时间序列要比单变量混沌时间序列的预测误差小得多，即使前的数据长度只有后的一半，前的预测误差也要小很多．另外从预测误差最小的角度验证了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数选取方法的有效性．     

在Lp中一类近似插值神经网络的逼近误差

研究一类近似插值单隐层前向神经网络的逼近问题.利用Steklov平均函数,以光滑模为度量,估计了该网络对Lebesgue可积函数的逼近误差.所获结果表明:对于定义在[a,6]上的任意p(1≤P＜+∞)次Lebesgue可积函数f(x),只要隐层节点数n足够大,均有一个近似插值神经网络以任意精度逼近f(x).     

基于最优组合模型的中国GDP预测

利用1990～2010年中国GDP数据,在建立ARIMA、多项式趋势拟合模型和GM(1,1)模型基础上,以误差平方和最小为最优准则建立组合预测模型,并把它应用于我国GDP的预测。所得结果误差优于三个模型的分别预测,表明组合预测模型在时间序列数据的预测中更有优势。并用所建的组合预测模型进行2011～2015年的预测。     

径向基函数神经网络与稀土卤化物标准生成焓的研究

研究并应用径向基函数神经网络(RBF-network)对稀土卤化物标准生成焓进行定量建模,相关系数r达到0.9985,样本误差较小,显现了神经网络方法在该领域的优势.交互预测结果证明模型具有好的稳定性和泛化性能,对7个未知样本所作的预测有一定参考价值.     

基于BP神经网络模型的通货膨胀预测

通货膨胀的诱因、预测与控制是各国政府、学者乃至普通民众关心的热点问题。运用交叉相关分析法对GDP增长率、M2增长率、工业生产者购进价格指数等因素与通货膨胀间的关系进行了定量分析,确定了各因素与通货膨胀之间的领先、一致和滞后关系;然后结合人工神经网络原理,以先前确定的领先指标作为输入信息建立了基于BP神经网络的通胀预测模型,最后根据模型预测结果,提出了控制通货膨胀的相关政策建议。     

BP神经网络实现函数逼近的应用分析

在简单分析BP神经网络数学原理的基础上,指出了BP神经网络存在的问题.接着选择了一个具体的目标函数,利用Matlab的神经网络工具箱进行系统仿真.通过改变系统的隐层神经元数目、训练函数和激励函数,分别比较了系统在模型发生改变后在实现函数逼近性能方面的差异,并提出了要使BP神经网络在函数逼近方面具有良好的性能,在隐层神经元数目、训练函数以及传递(激励)甬数三个方面需要注意的问题.     

基于改进RBF神经网络的电机故障诊断方法研究

考虑到RBF神经网络隐层高斯径向基函数的参数较难确定,电机故障的多样性和复杂性,传感器获得信息的不确定性,以及高斯径向基函数与正态云具有相似之处,将云模型和RBF神经网络相结合用于诊断电机故障.通过高维云变换确定RBF隐含层神经元数,优化RBF神经网络结构.最后提取信号的奇异值熵和样本熵作为特征参数,输入改进的RBF神经网络,进行实验仿真.结果表明,新模型能较好地实现对电机轴承的故障诊断.     

基于改进编码的多聚脯氨酸二型结构预测

目前使用机器学习方法对稀有的PPII二级结构进行预测工作还比较少见。本文在分析数据集的特征基础之上,采用加强局部信息的改进编码方法,并使用生物信息学中常用的BP神经网络来预测PPII二级结构。通过对不同输入窗口长度与不同隐层节点数的神经网络进行训练和测试,得出在输入窗口长度为5个氨基酸残基和隐结点数为8时PPII螺旋结构能够被很好地预测出来,此时的预测敏感度为82.5%。