模糊概率神经网络水质评价模型及其应用

鉴于水质类型和分级标准存在模糊性,将模糊数学中的相对隶属度理论和概率神经网络和相结合,构建了模糊概率神经网络水质评价模型(FPNN).阐明了该模型的构建方法,提出了基于指标相对隶属度矩阵插值构建学习样本的方法,并将该模型应用于实际水质评价.通过与综合评判法、属性识别法和BP网络法的比较,验证了该模型操作简便,评价结果客观可靠.     

基于MIV-BP型网络实验的房地产价格影响因素研究

房地产价格是保证房地产经济健康运行和资源有效配置的关键.影响房地产价格的因素复杂,各因素的变化势必将对房地产价格的涨跌产生影响.以经济学中的供求理论为基础,以上海市商品住宅价格为研究对象,对BP神经网络进行训练,计算各因素对房价的平均影响值(MIV),构建MIV-BP模型,实证分析各因素对房地产价格的影响作用.结果表明:生产总值,贷款利率,居民人均可支配收入成为影响我国房地产价格的主要因素.居民消费价格指数,土地增值税对房价产生较显著影响.而在上述变量作用下,房地产供给面积与销售面积已经很难影响房地产价格的走势.因此应将生产总值,贷款利率,人均可支配收入作为房地产价格调控的着力点.     

基于BP神经网络误差函数优化算法的武器装备承制商信用评价模型研究

信用评价是选择武器装备承制商的重要手段.以国标为基础,结合承制商具体情况确定了信用评价指标体系.分析了传统信用评价方法的不足,对经典BP神经网络的误差函数进行优化,优化后的网络模型收敛速度更快,预测精度更高.构建BP神经网络武器装备承制商信用评价模型,仿真实验表明武器装备承制商信用评价可以选用BP神经网络模型.     

混合优化RBF-BP网络的板形缺陷识别

针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。     

基于改进BP神经网络的柘林湾水质综合评价模型

建立了基于改进 BP神经网络的柘林湾水质综合评价模型 .实验结果表明 ,新模型的网络训练收敛速度比未改进的模型快、误差更小 ,而且能克服 BP网络所存在的“过拟合”现象 .因此 ,它的泛化能力强 ,结果客观、合理 .     

基于改进风险度模型的高层建筑施工安全风险评价研究

为了评价高层建筑施工过程中的安全情况,提出了一种基于改进风险度模型的风险评价方法.首先,选择16种常见的安全事故类型构建评价的指标体系.其次,针对传统风险度模型的不足,在"概率"和"影响"的基础上,增加"不可预测性"这一风险属性,并结合三角模糊数,提出了一种基于改进风险度模型的高层建筑施工安全风险评价方法.最后,通过实例验证了方法的可行性和有效性.     

关于DNA序列分类问题的模型

本文提出了一种将人工神经元网络用于 DNA分类的方法 .作者首先应用概率统计的方法对 2 0个已知类别的人工 DNA序列进行特征提取 ,形成 DNA序列的特征向量 ,并将之作为样本输入 BP神经网络进行学习 .作者应用了 MATLAB软件包中的 Neural Network Toolbox(神经网络工具箱 )中的反向传播 ( Backpropagation BP)算法来训练神经网络 .在本文中 ,作者构造了两个三层 BP神经网络 ,将提取的 DNA特征向量集作为样本分别输入这两个网络进行学习 .通过训练后 ,将 2 0个未分类的人工序列样本和 1 82个自然序列样本提取特征形成特征向量并输入两个网络进行分类 .结果表明 :本文中提出的分类方法能够以很高的正确率和精度对 DNA序列进行分类 ,将人工神经元网络用于 DNA序列分类是完全可行的     

基于卷积神经网络与随机森林的合成孔径雷达目标识别

自合成孔径雷达(synthetic aperture radar,SAR)问世以来,就在军事侦察等方面获得了广泛的应用和发展.SAR图像包含大量的相干斑,使得图像识别工作变得相当复杂,因此,在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上将Softmax分类器替换成随机森林(Random Forest,RF),得到CNN与RF相结合的算法,记为CNN-RF,用以实现SAR目标实别在CNN-RF中,将CNN提取出SAR图像的特征矢量输入RF分类器.实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性.     

高校贫困生精准资助的神经网络模型北大核心

针对贫困生认定环节中存在的诸多问题,在大数据应用的背景下提出将基于神经网络的数据挖掘方法应用到高校贫困生识别管理之中.通过分析学生校园卡“一卡通”消费记录掌握学生的消费水平,更客观地评价学生的贫困程度,精准挖掘贫困生群体.首先对一卡通数据做预处理,然后提取特征,再进行神经网络模型训练,最后利用已知标签的数据验证模型的正确性.模型对于指导贫困生的精准助学工作,提高学生管理水平具有良好的研究意义和实用价值.     

高校贫困生精准资助的神经网络模型

针对贫困生认定环节中存在的诸多问题,在大数据应用的背景下提出将基于神经网络的数据挖掘方法应用到高校贫困生识别管理之中.通过分析学生校园卡"一卡通"消费记录掌握学生的消费水平,更客观地评价学生的贫困程度,精准挖掘贫困生群体.首先对一卡通数据做预处理,然后提取特征,再进行神经网络模型训练,最后利用已知标签的数据验证模型的正确性.模型对于指导贫困生的精准助学工作,提高学生管理水平具有良好的研究意义和实用价值.     

数据挖掘在房地产价格预测中的应用研究

通过基于数据挖掘理论的粗糙集和神经网络的研究,用属性约简算法约简并提取了影响房地产价格的主要指标因素,对降维后的数据进行网络学习和训练,最后用训练好的的网络检验测试样本.方法使学习训练的速度和识别率提高了,为房地产价格预测提供了一种更为有效和实用的新途径.     

基于系统冲击的灰色预测模型及其应用研究

针对系统受到系统外部冲击问题,结合泛函理论和灰色系统理论,建立了含有系统冲击泛函分析因子的灰色泛函预测模型。并运用贝叶斯网络推理技术,建立了系统冲击与系统控制的灰色贝叶斯网络推理预测模型。所建模型可以分析基于系统冲击演化的泛函分析因子的动态推演问题。依据泛函分析因子的变动,可以预测与修正系统发展趋势。案例分析了2013年房地产经济受到新政策的冲击问题。由于房地产经济受到新政策冲击,使经济发展态势发生转变。根据房地产经济的当前时段信息,利用灰色贝叶斯网络推理预测模型对历史趋势进行修正,预测结果与实际数值仅有3.81%的偏离,预测结果较其它现有模型的预测结果精确。灰色贝叶斯网络推理模型强调对近期数据的开发利用,适用于预测系统近期受到外部冲击的发展趋势问题。     

宏观因素对房地产行业信用风险的影响研究——基于BALQR模型的实证

以2008年1月至2014年9月相关数据为基础,利用贝叶斯adaptive Lasso分位数回归(BALQR)模型对影响房地产业信用风险的宏观经济因素进行了分析.结果表明,在任何分位点上,对我国房地产行业信用风险影响最大的均是GDP增长率,其次是CPI增长率和消费者信心指数增长率,其中前者为负向作用后两者为正向作用,而资本市场的景气状态则对房地产行业信用风险基本没有显著作用.不过,在不同分位点上,不同宏观因素在房地产行业的不同信用风险水平上的影响程度又存在差异性.     

基于多角度的我国房地产行业数学模型的建立与分析

房地产业在我国国民经济中起着重要的作用,通过建立数学模型,从多个角度研究我国的房地产行业的性质与发展态势.首先,建立了基于联立方程组的住房的供给和需求模型,并结合蛛网模型进行分析,发现我国房地产目前处于一个非均衡的阶段;接着,建立了基于VAR模型的房地产行业和国民经济13个主要其他行业关系模型,找到了与房地产业互相影响的产业;再接着建立了基于组合权重的GC-TOSIS法的我国房地产行业态势分析模型,得出近几年房地产的态势不太乐观的结论;并通过态势分析模型得到我国房地产的经济发展情况,并引入可持续发展指数,建立了基于离散Hopfield神经网络的房地产行业可持续发展模型,得到我国房地产行业可持续发展程度以及可持续发展的等级正在逐渐增高.最后,结合以上四个模型,综合分析我国房地产的各个方面的发展趋势,并提供了可行性建议.     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.     

Intelligent Crack Recognition Based on XFEM and GA-BP Neural Networks北大核心CSCD

基于扩展有限元法(XFEM)和经遗传算法(GA)优化的误差反向传播多层前馈(BP)神经网络(GA-BP)算法,建立了识别结构中裂纹的反演分析模型。模型通过XFEM正向分析获得的测点位移数据训练GA-BP神经网络,并在此基础上利用该网络进行裂纹反向识别。通过两个典型算例对模型的可行性和精度进行了验证,并探讨了网格密度、测点布置、输入数据噪声等对网络识别精度的影响。结果表明,该文的方法可反演线弹性断裂力学重点关注的直线裂纹的几何信息且具有较好的容噪性能,此外,GA-BP神经网络的预测精度较传统BP神经网络普遍更高。     

非线性组合预测人民币汇率变动方法研究

本文利用神经网络中的反向传播算法 (BP算法 ) ,结合组合预测模型的思想 ,得到一种非线性组合预测方法。通过对人民币长期汇率的五种模型计算、比较分析 ,以及对一产品市场行情分析 ,说明我们提出的非线性组合预测是一种有效的预测分析工具 ,适合于象人民币汇率制定等需综合多种理论来分析的问题。     

货币政策对房地产价格影响的非对称性分析——基于LSTVAR模型

由经济学理论分析可知,货币政策对房地产价格的具有显著的影响.利用LM检验和LR检验得到,包含货币政策变量和房地产价格变量的VAR模型具有非线性特征,并构建了相应的LSTVAR模型.运用广义脉冲响应函数研究了货币供应量与利率变化对中国房地产价格动态影响的非对称性.     

基于DEA的低碳地产供应链整体绩效评价研究

低碳地产供应链已成为我国国民经济发展的重要组成部分和主要趋势.在分析低碳地产现状的基础上,探讨低碳地产供应链内涵,分析并建立多层次多指标的低碳地产供应链绩效评价指标体系,运用数据包络分析法(DEA)中的C2R模型对低碳地产供应链绩效进行初步评价.最后,通过案例分析判断出低碳地产供应链的DEA有效性,分析非DEA有效的影响因素,并通过在生产前沿面上的投影计算分析,提出其绩效改进方案.