一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法,阐述了该算法的具体步骤.对预测系统进行了定义,提出了预测手段,并对预测进行了度量.测试结果与传统方法比较,该方法的较优越性能.     

Stability analysis of discrete-time BAM neural networks based on standard neural network models

To facilitate stability analysis of discrete-time bidirectional associative memory (BAM) neural networks, they were converted into novel neural network models, termed standard neural network models (SNNMs), which interconnect linear dynamic systems and bounded static nonlinear operators. By combining a number of different Lyapunov functionals with S-procedure, some useful criteria of global asymptotic stability and global exponential stability of the equilibrium points of SNNMs were derived. These stability conditions were formulated as linear matrix inequalities (LMIs). So global stability of the discrete-time BAM neural networks could be analyzed by using the stability results of the SNNMs. Compared to the existing stability analysis methods, the proposed approach is easy to implement, less conservative, and is applicable to other recurrent neural networks.     

基于粒子群算法与循环神经网络的短期电力负荷预测

针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷,提出了基于粒子群算法和循环神经网络的预测方法|针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷,提出了合理粒距的概念,生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优,以测量值与预测值的误差作为评价依据,从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测,并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明,这种预测方法具有良好的收敛特性和较高的预测准确度。     

数字式非循环侧抑制网络在联想记忆中的应用

提出了基于侧抑制理论和细胞神经网络(CNN)的数字式非循环侧抑制网络，给出其用于数字图象联想记忆的算法，并给出了仿真结果。     

神经网络在商业银行金融风险评价系统建模中的应用

针对商业银行的金融风险，构造了一套实用的商业银行金融风险评价指标体系，并采用BP神经网络方法建立了金融风险多层次的评价模型，该模型有利于商业银行提高决策和管理水平，采取更加有效的政策措施防范和化解金融风险。     

一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法，阐述了该算法的具体步骤．对预测系统进行了定义，提出了预测手段，并对预测进行了度量．测试结果与传统方法比较，该方法的较优越性能．     

基于GA优化IWNN的短时交通流量预测方法

由于交通流量的非线性、复杂性和不确定性,确定数学模型的预测方法难以满足交通管理控制中对预测精度和收敛速度的要求。为了对交通流进行准确、实时、高效的预测,提出将小波理论与神经网络相结合,并改进网络的训练过程从而构建改进型小波神经网络;同时运用遗传算法优化网络的初始权值,最终提高了预测精度,加快了收敛速度,避免陷入局部极小。通过仿真和分析,提出的方法具有较好的预测结果。     

基于HJPS算法的神经网络的轧制力修正模型

传统的轧制力模型结构简单、精度较低,即使采用基于有限元的数值积分方式进行精化,出于计算效率的考虑因其有限区域的划分十分有限,因此对于轧制力计算的精度提高有限。直接采用神经网络对轧制力进行建模可以极大地提高模型精度,但是模型对新型材料的泛化能力较差。为此提出简单有限元轧制力模型,并在模型基础上使用HJPS优化算法的神经网络对轧制力进行修正,对该模型的仿真测试表明,该模型具有很强的泛化能力,收敛速度快、不易陷于局部优化,能够极大地提高轧制力模型的计算精度。     

基于BP神经网络的认知诊断评估分类准确率影响因素分析

BP神经网络是目前应用最广泛的人工神经网络模型之一,在分类和识别上表现出良好的特性,因此被研究者用于认知诊断评估以对被试进行诊断分类。通过模拟研究,考查属性个数、属性层级关系、测验长度、题目质量、测试样本量5个因素对BP神经网络在认知诊断中分类准确性的影响。结果表明:1)基于BP神经网络的认知诊断分类准确率不依赖于测试样本量;2)题目质量和测验长度对BP神经网络的诊断准确率有显著的积极影响;3)属性个数对BP神经网络的分类准确率有消极影响;4)题目质量一定程度上会影响BP诊断方法在不同属性层级结构上的分类准确率。     

利用学习者画像实现个性化课程推荐

在"互联网+"在线学习环境下,探索符合学习习惯和偏好的个性化推荐路径能够降低学习者学习的盲目性、提升学习者在线学习体验.文章提出了一种基于学习者画像的个性化课程推荐方法,首先,利用爬虫技术获得Bilibili网站30多万名学习者的数据,然后对学习者学习数据进行定量分析,尤其是在个性化特征最明显的情感表达方面,采用了基于注意力机制的双向长短时记忆网络进行情感分析,从而构建了包含学习者基本信息、行为和弹幕文本三个维度的学习者画像特征模型.在此基础上,利用深度神经网络建立了教学资源与学习者画像之间的关系模型,用该模型预测学习者新的学习需求.实验结果表明,当学习者登录后,输入要选择的课程,模型能够根据学习者画像推荐相似学习者学习过的课程,提供个性化课程推荐服务,且推荐评价指标也表明该模型能够提高推荐性能.