基于在线AdaBoost回归树算法的混合试验恢复力预测方法(英文)

为了解决模型更新混合试验中BP神经网络算法泛化能力较差的问题,引入了一种新方法——AdaBoost回归树算法作为混合试验中的模型更新算法.在学习阶段,选择回归树作为弱回归模型进行训练,然后将多个弱回归模型集成为一个强回归模型,最后对训练结果进行表决输出.利用在线AdaBoost回归树算法和BP神经网络算法作为模型更新算法,对一个二自由度非线性结构进行了数值模拟.结果表明,在线AdaBoost回归树算法的预测精度比神经网络高48.3%,证实了AdaBoost回归树算法比BP神经网络算法具有更好的泛化能力,并且有效消除了权重初始化的影响,提高了混合试验中恢复力的预测精度.     

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神经网络的教学质量评价模型研究

随着当前高等教育教学改革的不断深化和发展,对教学质量管理的研究越来越受到人们的重视。因此建立和完善教学质量监控和评价体系对教学管理具有十分重要的意义。本文主要研究利用BP神经网络理论构建和完善客观、合理、量化的教学质量监控与评价模型。结合西安科技大学计算机学院自身的实际情况和现行的评价指标,利用BP神经网络对教学质量建立模型,实现对教学质量定量的评价。本文给出了BP神经网络算法的实现步骤以及算法流程,通过具体实例显示并分析了结果,说明了使用BP神经网络算法对教学质量建模的有效性。     

神经网络数据挖掘算法的研究与应用

分析了神经网络数据挖掘算法的适用范围,对算法模型和算法实现进行深入的探讨,并利用基于时间序列的多层前馈神经网络挖掘算法实现了对企业材料成本数据的预测,可为企业成本管理提供决策支持.     

人工神经网络几种学习算法的对比

神经网络专家系统的设计重点在于模型的构成和学习算法的选择，对神经网络算法的了解是非常重要的。文章讨论分析了感知器、有监督Hebb算法、梯度算法、BP算法等前向网络的学习结构和算法，并对这几种算法作了对比和总结，提出了这几种算法的异同。     

BP神经网络模型及其应用

本文提出了一类神经网络模型,介绍了它的算法及其如何设计出该模型,最后通过神经网络对字符进行识别的例子,说明了神经网络在实际中的应用。     

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。     

基于模糊神经网络的路由算法研究

首先分析了神经网络的类似于生物神经网络的许多优点 ,在描述了神经网络模型与神经网络的学习算法的基础上 ,提出了基于模糊神经网络的路由算法     

基于AdaBoost算法的BP神经网络在软件老化测试中的应用

为提高BP神经网络的预测精度,克服自身容易陷入局部极值和收敛速度慢的缺陷,将AdaBoost算法和BP神经网络结合起来,建立基于AdaBoost算法的BP神经网络模型。该模型将多个BP神经网络作为弱预测器,然后采用AdaBoost算法将多个弱预测器组成强预测器进行预测。将该模型应用于软件老化测试,实验结果表明,该模型相比单个BP神经网络具有更好的预测精度。     

基于BP神经网络的交通事故预测

交通事故的发生因受随机因素的影响而呈现出不确定性和非线性的特点。在分析交通事故与人口、车辆、道路、经济发展等因素关系的基础上,综合考虑影响交通事故的多种因素,建立了BP神经网络。进而,选取总人口、机动车驾驶员人数、公路密度、民用车辆、人均GDP作为交通事故预测模型的输入向量,以交通事故的四项指标作为输出向量,利用LM算法或GALM算法优化的BP神经网络模型对交通事故进行预测。实验表明,GALM算法优化的BP神经网络模型与BP神经网络或LM算法优化的BP神经网络相比,具有较高的精度和较快的收敛速度,能更好地适用于交通事故预测。     

基于遗传算法和神经网络的倒立摆控制系统

以单级倒立摆为对象,介绍了一种融合遗传算法的神经网络控制方法。该方法采用以多层前馈神经网络作为遗传搜索表示方法的思想,以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力。仿真结果证明:遗传算法和神经网络的结合,可兼有神经网络广泛映射能力和遗传算法快速全局收敛等性能。     

RBF神经网络改进模型在医学生UPI中的仿真研究

采用概率竞争和RBF(Radial-based Function Method)相结合的神经网络模型,研究UPI(UniversityPersonality Inventory大学生心理健康清单)多变量非线性诊断指标和分类标准的内在联系。提出了一种UPI辅助诊断的概率竞争型RBF神经网络的解决方案,把UPI数据作为概率竞争和RBF神经网络改进模型的输入,构建2层改进的RBF神经网络仿真模型。实验结果显示,综合运用概率竞争和RBF神经网络的方法能使UPI分类达到较好的效果。构建的概率竞争神经网络模型用于UPI的辅助诊断是可行的。     

BP神经网络在数字识别中的应用

神经网络(neuralnetwork)是近年来再度兴起的一个高科技研究领域,数字识别就是其中一项既基本又非常重要的应用性研究领域。BP神经网络(Back-Propagation),又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。BP网络可以看作是对多层感知器网络的扩展,即信息的正向传播及误差数据的反向传递。本文给出了设计用于识别手写数字BP神经网络的过程。     

提高多层前向神经网络泛化能力的讨论

泛化能力是多层前向神经网络最重要的性能．泛化问题已成为目前神经网络领域的研究热点。本文从泛化理论现有提高神经网络泛化能力的方法等几个方面总结了当前神经网络结构优化与泛化能力研究的现状。神经网络泛化能力的提高可通过神经网络结构的优化和正则化等方法加以实现，并对提高网络泛化能力问题进行讨论。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

Multi-agent reinforcement learning using modular neural network Q-learning algorithms

1 Introduction Reinforcement learning is a machine learningmethod for agents to acquire the optimal policyautonomously from the environment of their behaviors.When an action is executed, the agent receives areinforcement signal by interacting with theenvironment. This technology has recently been used inmany fields, such as robot control [1], artificialintelligence [2], especially multi-agent system [3,4].Generally, when the state space of the environment issmall enough and all states can be e…     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

联结主义:涵义的厘清与模型的分析

联结主义是20世纪80年代早期所复兴的认知心理学的另一研究范式。它是一种计算的研究取向，认为认知其实就是相互联系的具有活性值的神经单元所构成的网络的动态整体活动，存在于神经网络联结中或权重里的知识信息，是整个交互作用的神经节的激活模式，通过调整权重就可以改变网络的联结关系并进而改变网络的功能；联结主义的基本网络模型是由输入层、隐含层和输出层三个神经单元层组成的，单元层被定义为拓扑的或关于网络的联结的类型，因此构造神经网络的结构，实质上就是构造神经网络的拓扑结构。     

基于模糊神经网络的数据挖掘技术的研究

简要叙述数据挖掘的概念及几种主要的数据挖掘方法,提出一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。