基于SOM神经网络的品牌丑闻微博传播分类预测研究*

作为重要的社会化媒体,微博凭借其社会性、媒体性、广泛参与性和快速传播4大特性已成为网络舆论的主要载体。针对品牌丑闻事件在微博上的传播进行研究,选取了29个近年来在微博上有明显传播特征的品牌丑闻事件作样本,以两小时为间隔搜集事件爆出后的一周时间内的微博博文数量,记录丑闻事件传播动态变化,并运用神经网络SOM模型方法对博文的数量变化进行聚类,得到微博上品牌丑闻事件传播的五种类型：对数型、缓坡型、突变型、长坡型及堤坝型,并在Matlab软件中用指数拟合的方法对数据做预测分析。企业了解丑闻事件在微博上的不同传播类型及各自的特点,对于其在快速预测和有效应对丑闻事件以及品牌危机时,具有很好的参考和借鉴价值。     

基于主成分神经网络和聚类分析的高校创新能力评价

提出一种基于主成分BP神经网络的评价模型,针对指标体系的众多指标进行正交约简,在保留大量指标信息的基础上开展高校创新能力评价,并对评价结果采用基于划分的K-均值聚类方法进行分组,避免了绝对排名带来的负面影响,评价结果证明了该评价模型和方法的有效性.     

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。     

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．     

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Zernike矩与网格特征的两级神经网络字符识别系统

从待识别字符中分别提取网格与Zernike矩特征,并将两种特征输入改进的BP神经网络进行比较,得知网格特征对随机噪声及笔划粗细变化不敏感,而Zernike矩特征对旋转不敏感,针对两种字符特征的缺点与优点,把以上两个神经网络进行联合,设计了一个两级神经网络字符识别系统,实验表明,基于不同特征输入的神经网络识别结果之间存在互补现象,上述两级神经网络分类器串级集成字符识别系统正确识别率达98%.     

基于多状态跳转模型的场景独立音频事件检测方法

针对不同类型事件设计多状态跳转模型,结合两种深度神经网络实现对传统音频事件检测框架的改进。实验表明,在DCASE2017任务2的开发集数据上,改进后的DNN-HMM系统相比于基线系统取得F值8.9%的相对提升和错误率19%的绝对下降;基于多状态跳转模型聚类的卷积神经网络模型（SC-CNN）,相比于基线系统取得F值18%的相对提升和错误率30%的绝对下降。     

河北省人口老龄化趋势预测及对策研究

运用Elman神经网络模型对2010—2050年河北省人口数进行预测,经过分析得出,河北省的人口老龄化具有以下几个特征:老年人口规模庞大,增长迅速;老龄化程度超前于河北省的经济发展水平,社会负担沉重;老年人口的高龄化趋势明显;老年人口的性别差异较大;老年人口的分布具有明显的差异性等。根据这些特征为河北省应对人口老龄化提供了一些对策建议。     

基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明：优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。     

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。