基于改进随机森林集成模型的疾病风险预测

针对疾病样本数据集不均衡以及传统模型预测精度低等问题,提出一种混合随机森林与人工神经网络(ANN)的集成预测模型。采用少数样本合成过采样技术(SMOTE)构建平衡训练数据集;结合随机森林特征选择优势和ANN的预测能力,通过集成方法构建混合随机森林与ANN的集成预测模型SMOTE-HRF-ANN以对畜禽疾病风险进行预警预测;将多种预测模型进行对比实验。实验结果表明,该模型能有效提高疾病预测的精准度与召回率,在少数类样本中的精确率和F1-score值分别达到96%和85%。     

基于ARMA-NN集成模型的上证指数预测研究

研究表明,大多时间序列可分解为线性部分和非线性部分的组合。融合ARMA模型在捕捉线性关系的优势和神经网络模型强大的非线性映射能力。介绍一种ARMANN集成模型,并对上证指数月收益率进行预测。结果表明集成模型的预测能力显著优于传统单一模型,对指数收益率预测比较准确,有很强的应用价值。     

基于随机森林和神经网络模型的大学生精神内耗调查研究

精神内耗是指个体在心理方面损耗导致的一种状态,精神内耗现象值得充分重视。通过构建随机森林模型显示对事物的完美追求是促使大学生内耗心理的决定性因素。在此基础上,建立神经网络模型对引发精神内耗现象成因进行预测,进而对于减少精神内耗现象提出针对性建议。通过研究得到结论：第一,大学生们对完美追求的执着,往往会给自己造成心理压力,久而久之就形成了内耗加重的心理状况;第二,不同线城市的学校和不同专业的大学生群体中不同性格人群产生精神内耗的情况较多;第三,学校所在地、大学生所就读专业以及专业成绩排名是大学生产生精神内耗重要影响因素。最后提出缓解大学生精神内耗的建议。     

分析基于神经网络知识库的多神经网络集成方法

科学技术的进步推动了神经网络技术的发展,且广泛地应用于我国的多个领域之中,实现了复杂问题的简单化,大大提高了工作人员的工作效率.本文对多神经网络集成方法进行了概述,并详细分析阐述了在BP网络集成的基础上进行非线性的研究案例.     

基于集成学习算法的工业产品质量预测

现代数字化工业生产中,制造、组装和测试过程会产生大量数据,这些数据中隐藏着决定产品质量的信息和知识。使用传统抽检手段发现质量问题后再加以修改往往为时已晚。数据挖掘中用生产参数预测产品质量,可以预先获取产品质量信息,据此进行调整以提高产品质量。采用CRISP-DM流程,使用集成学习算法（随机森林、XGBoost）,利用回归与分类模型进行数据挖掘,经参数调节获得精确的优化模型,在生产中运用该模型有助于提升产品质量。     

神经网络集成及研究进展

神经网络集成是机器学习和神经计算重要研究领域,通过训练有限个神经网络个体,并将其结论进行适当的合成,可以极大提高学习系统的泛化能力,已经成为一种有广阔应用前景的工程化神经计算技术.本文讨论了神经网络集成的理论方法及其研究进展,并对该领域进一步研究的问题进行了探讨.     

基于神经网络集成的车牌字符识别

针对车牌字符在车牌图象退化时识别率较低的问题,提出一种基于神经网络集成的车牌字符识别方法。基于小生境遗传算法在提高进化的局部搜索方面的良好性能来动态构建个体网络差异性大的神经网络集成,进而提高整个集成系统的泛化能力。将该方法应用于车牌字符的识别,实验结果表明,该方法能有效地生成差异度较大的个体网络,得到的神经网络集成能有效提高车牌字符的识别率。     

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.     

水稻需水量预测的ANFIS构建及应用

以中国东北大米之乡的富锦水稻灌区为例,建立了自适应神经模糊推理系统(ANFIS)的水稻需水量预测模型,通过选择最合适的隶属度函数和模糊规则,实现了对水稻需水量的预测,并且与BP模型比较,结果表明该模型具有很高的预测精度。预测结果对于指导该地区科学用水、发展节水灌溉、节约地下水资源,促进农业的可持续发展具有重要的理论与现实意义。     

一种集成CNN模型及其在ECG信号分类中的应用

针对复杂非线性多通道时变信号模式分类问题,提出了一种集成卷积神经网络（CNN）与随机森林（RF）相融合的方法。该方法以CNN为基学习器,自动提取信号样本的抽样特征,同时省去降维与人工选择特征的过程,以RF为次级学习器,增加样本扰动,同时增加属性扰动。为增强样本多样性,使得该模型尽可能充分利用信息,在训练集中随机抽取7份子训练集,再利用7份子训练集训练出7个不同的学习器;最后通过投票法和学习法建立集成模型,提高了识别精度。实验结果表明,在测量区间上,该方法对3种ECG信号类别的平均分类精度达94.60%,提高了1.1%,取得了良好结果,验证了模型和算法的有效性。     

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 ...     

城市需水量预测方法与模型综述

通过需水量预测能实现城市供水系统最优控制,以达成供需平衡和节约能耗目的。分析2010-2019年部分有关城市需水量预测相关文献,对现有城市需水量预测方法与模型进行综述,提出目前需水量预测存在的问题及建议,为城市需水量预测后续研究提供基础与借鉴。     

基于BP神经网络水库水质模拟预测

水库水质的优劣会受到环境中的物理、化学以及生物因素的影响,本文选用BP神经网络,以山西某水库2018—2020年实测水质指标共36组数据(23个实测水质指标)为数据集,建立双隐含层BP神经网络,采用sklearn中MLPRegressor建立回归模型,模拟效果由RMSE、MAE、MSE进行评估。选取9个实测水质指标通过含有100个隐藏节点的MLPRegressor模型预测其余3个实测水质指标,结果表明,该神经网络模型可以较为准确的预测未知水质指标数值,对建立水库水质预警系统具有重要的指导意义。     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

粗糙集-磷虾觅食神经网络在孔隙度预测中的应用

针对复杂岩性碳酸盐岩储层孔隙度预测精度不高的问题,首先利用邻域粗糙集选取孔隙度敏感曲线,将选取后的曲线作为BP神经网络的输入,建立BP神经网络孔隙度预测模型;针对BP神经网络存在的易陷入局部最小等问题,对网络拓扑结构参数进行调整实验,用磷虾觅食算法对BP神经网络初始权值阈值优化,建立基于粗糙集-磷虾觅食算法的神经网络孔隙度预测模型。将此模型应用于某油田A井中,与改进前BP神经网络、体积模型等模型精度对比,证明了新网络模型的优越性。结果表明新模型回判将预测精度从26.5%减小到7.05%,具有更强的学习能力,更适用于复杂岩性储层总孔隙度的测井评价。     

分布式数据采集系统和集成神经网络在风机故障诊断中的应用

介绍一种将故障诊断理论应用于工业现场的方案-基于分布式数据采集系统和集成神经网络的大型风机在线监测和故障诊断系统。系统利用自行开发的FADM-4000模块采集处理振动信号，利用集成神经网络模型对大型风机进行在线故障识别。并通过一应用实例，验证了该诊断系统的有效性。     

基于神经网络预报的动态矩阵预测控制

提出了一种基于径向基神经网络预报的动态矩阵预测控制新算法，在该算法中，先用RBF神经网络辨识对象模型，同时预测对象的未来输出，然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模的问题，仿真结果验证了这一新型算法的可行性。     

小城镇给水工程规划中需水量的预测及水源选择

结合小城镇规划工作实践 ,重点探讨小城镇给水工程规划中需水量预测方法、用水指标的确定、水源的选择等问题。     

空调滞后对象的神经网络预测控制

在空调控制过程中，广泛存在惯性滞后对象，用常规的控制方法很难取得良好的控制效果。章结合神经网络和预测控制的优点，提出了神经网络预测控制方法，并对某一空调系统滞后模型进行了仿真。从仿真结果看，此种方案在对不同对象的适应性、响应速度、抗干扰及稳定性等方面均有明显的改善，更符合实际工业过程控制的特点。