基于遗传BP神经网络的化工企业安全体检模型研究

近来频繁发生的化工企业安全事故使企业意识到企业安全的重要性,企业安全评估预警已成为各界关注的焦点。针对引发化工企业安全事故因素的复杂非线性特点,提出基于遗传BP神经网络的化工企业安全体检模型,该模型通过遗传算法克服BP神经网络局部最小的缺点,利用主成分分析法优化输入矩阵,并以山东省101家大中型化工企业数据为实证样本,对模型进行仿真实验。实验结果表明,该模型体检结果与真实期望值的相对误差在1.34%~3.84%,具有较高的评估预测精度,能够准确对企业进行安全体检。     

基于深度学习的移动远程心电监测系统设计与实现

心电监测是通过计算机技术监测心电图的变化来判定用户是否有心脏疾病的一种方式。本文设计了一种基于深度学习的心电监测算法,通过卷积神经网络模型提取更加细微的特征,判定心电异常的类别。设计了一个移动远程心电监测系统,实时把用户的心电图传输到服务器端,由心电监测智能算法判定异常结果并反馈给用户,对心脏病的监测有重要的理论意义和实用价值。     

模糊综合评判的神经网络方法在损害分析中的应用

本文针对反倾销中损害案件的调查,在满足法律条文规定的基础上,采用模糊综合评判的神经网络方法,优化损害和损害程度的综合评判模型中企业经营指标的评判指标权重,进而采用优化后的权重进行损害和损害程度的综合评判.使评判过程和结果更加具有科学性,也使反倾销损害调查的裁决更加具有公共性和透明度.此方法对政府有关部门裁决倾销和反倾销案件有一定的辅助决策.     

具有变系数和变时滞的细胞神经网络模型的全局吸引性

本文对具有变系数和变时滞的细胞神经网络模型ddt x(i t)=-C(i t)x(i t) j=n 1!ai(jt)f(j x(jt)) j=n 1!bi(jt)f(j x(jt-!ij(t))) I(i t)进行研究,通过构造泛函,给出了这类模型全局吸引性易于验证的充分条件。在实际应用中,设计验证所需条件是很方便的,具有更为广泛的理论意义和应用价值。     

以模糊评判为基础的大学生素质BP神经网络模型

文章建立了大学生综合素质评价的指标体系，并利用模糊数学多级综合评价的原理，对大学生的综合素质进行模糊评判。同时，利用评判结果建立了误差反传的BP神经网络模型，并在该模型中引入非模糊评判的教师对，该模型克服了模糊评判时权重的不可改变性，实现了素质评价指标和大学生综合素质的非线性映射。计算结果表明：该神经网络模型具有一定的合理性和实用性。     

基于神经网络算法的保险理赔应用研究

近些年,保险行业得到迅猛发展,同时,保险欺诈活动应运而生。面对保险欺诈,很多保险公司往往一筹莫展,导致骗赔猖獗。如何从以往的拒赔案件信息中,抽取有效识别欺诈案件的模式,促进保险业持续健康发展,成为保险行业研究的关键。数据挖掘在处理大批量数据,挖掘潜在关系方面具有无可比拟的优势。本文提出利用神经网络算法,从历史赔案信息中训练出识别欺诈案件的模型,并抽取赔案数据进行模型效果测试。实验证明,通过此模型筛选出的高理赔用户群具有较高准确率,此数据对保险工作人员具有一定的指导作用。     

泊车机器人障碍物视觉识别系统研究

针对智能停车库中的泊车机器人视觉系统研究需求,提出一种基于双目视觉的泊车机器人障碍物识别系统。通过双目摄像头进行图像采集,利用张正友棋盘标定法进行双目相机标定;采用Bouguet进行立体校正,将高斯滤波与拉普拉斯算子相结合进行图像预处理;采用YOLO卷积神经网络对目标障碍物进行快速识别;利用区域匹配算法进行立体匹配并生成目标障碍物视差图;通过成像点和目标障碍物的立体几何关系计算得到目标障碍物的深度信息。实验结果表明,该系统具有良好的实时性和较高精度,障碍物识别时间平均为0.0901s,在2 600mm具有最佳测距精度,可为泊车机器人自动泊车提供保障。     

基于扩展角分类神经网络的文档分类方法

CC4神经网络是一种三层前馈网络的新型角分类（corner classification)训练算法，原用于元搜索引擎Anvish的档分类。当各档之间的规模接近时，CC4神经网络有较好的分类效果，然而当之间规模差别较大时，其分类性能较差。针对这一问题，本意图扩展原始CC4神经网络，达到对档有效分类的效果。为此，提出了一种基于MDS－NN的数据索引方法，将每一档映射至k维空间数据点，并尽可能地保持原始档之间的距离信息，其次，通过将索引信息变换为CC4神经 网络接受的0，1序列，实现对CC4神经网络的扩展，使其能够接受索引信息作为输入，实验结果表明对相互之间规模差别较大的档，扩展CC4神经网络的性能优于原始CC4神经网络的性能。同时，扩展CC4神经网络的分类精度与档索引方法有密切关系。     

基于神经网络的语境特征对 must语义排歧影响研究

英语情态动词的一词多义给自然语言处理带来了很大困难。情态动词语义对语境很敏感,发现影响情态动词语义的主要语境因素对情态动词特征选择、机器翻译等都十分重要。因此,采用神经网络技术对英语情态动词进行语义排歧,并确定不同语境特征对语义排歧结果的影响。基于一个 100 万字的语料库,以英语情态动词 must 为例,从语境中提取影响 must 语义的语义特征和句法特征,计算并确定这些特征向量值,建立可区分根情态与认识情态语义的 BP 神经网络,排歧正确率达到 94%。在此基础上,通过实验研究确定不同语境特征对情态动词 must 语义排歧的影响程度等级。该研究结果为情态动词语义排歧及情态动词语义人工识别提供了重要依据。     

基于GRNN神经网络的供应链安全库存预测

安全库存水平设置是供应链管理的重要内容，但因其影响因素多、关系复杂，预测难度大。神经网络在处理非线性问题有独特的优势。GRNN神经网络是建立在数理统计基础之上的一种新型的神经网络，具有良好的函数逼近效果。本文利用GRNN神经网络的方法进行供应链安全库存水平预测，详细介绍预测模型及其实施办法，并通过实例验证本方法的有效性。