基于粗集理论的MIB变量开采

利用粗集理论对大量的MIB（Manager information base)变量进行数据挖掘,找出反映网络故障现象的MIB变量组及其逻辑组合关系,通过对网络故障采集的MIB变量离散化,运用粗集方法去处错误和不必要的数据,提取表现故障现象的规则,并将规则用于设计计算机网络故障诊断程序,给出了具体的分析过程和算法的实现步骤。     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.     

基于相关向量机的网络舆情情感趋势预测

对网络舆情事件中网民评论的情感发展趋势进行准确预测具有非常重要的意义和价值.本文提出将网民评论的情感值作为预测指标,通过对评论的句式分析,利用短语模式计算单句及复句的情感值,构建情感值时间序列,建立基于相关向量机的网络舆情情感趋势预测模型,对网络舆情事件中网民评论情感趋势进行预测.选择新浪微博中关注度较高的头条新闻中微博评论的舆情事件作为实验对象,运用本文模型与基于BP神经网络、Elman神经网络等预测模型进行对比.实验结果表明,本文模型具有较高的预测精度,平均绝对百分误差(MAPE)和均方根误差(RMSE)均优于基于BP神经网络和Elman神经网络的预测模型,能较好地预测出网络舆情事件中网民评论情感趋势.     

并行Adaboost-BP算法及其在海量图像分类中的应用

为解决基于单节点架构的传统分类算法存在的时间效率差、分类准确率低等问题,提出了一种基于并行Adaboost-BP神经网络的海量图像分类方法.将BP神经网络作为弱分类器,由Adaboost算法组合15个BP神经网络的输出,构建了强分类器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了海量图像的自动分类模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务.多组实验表明,相对于传统的AdaboostBP神经网络算法,提出的算法在Pascal VOC2007数据集和Caltech256数据集上的平均分类准确率分别提高了14.5%和26.0%,而且算法运行耗时少,系统加速比随集群节点个数增加而增加,在图像规模增加到20 000时,加速比几乎呈线性增长趋势.实验结果充分证明,提出的方法适合海量图像的自动分类和预测.     

高应变率下高聚物本构模型的BP神经网络辨识

利用SHPB技术和自编的BP神经网络程序,以尼龙为代表性研究对象,对高聚物在高应变率下的本构模型进行了辨识,研究表明：在应变小于7％范围内,以应变与应变率作为输入,以应力作为输出,BP神经网络能满意地辨识高聚物的动态本构模型;而当应变大于7％时,除应变和应变率外可取时间作为表征损伤演化的反函数共同作为输入,以应力作为输出,能获得满意的结果。     

多氯咔唑化合物热力学性质的神经网络预测

采用取代基片段值P和原子类型电拓扑状态指数Em有效表征了135个多氯咔唑化合物(PCCZs)的分子结构,通过选择变量与神经网络(BP)算法建立定量相关(QSPR)模型,以预测多氯咔唑化合物热力学性质.将选择的P,Em结构参数作为神经网络的输入层变量,热力学性质作为输出层变量,方程均采用5∶13∶1的网络结构,利用BP算法获得了3个令人满意的QSPR模型,它们的总相关系数分别为0.998 6,0.991 1和0.979 5,标准误差分别为2.123,3.237和3.952,利用这3个神经网络模型计算得到的预测值与文献值的相对平均误差分别为0.30%,1.85%和1.14%,表明模型具有良好的稳定性和预测能力.该神经网络模型所得结果优于多元回归方法所得结果,可用于对多氯咔唑化合物性质进行理论分析和预测.     

汽车发动机智能故障诊断专家系统的开发

采用VB语言,根据诊断树理论,构造了一个基于神经网络的汽车发动机智能故障诊断专家系统．对故障树理论、神经网络的建立和系统的结构功能等进行了探讨．给出了工程应用的实例。     

基本养老保险基金失衡风险预警方法的选择研究——基于新疆数据的实证分析

纵观现下中国基本养老保险的发展,如何建立可持续发展的养老金制度,实现养老金的长期财务平衡,降低养老金运行中的风险等问题突出的摆在社会面前.本文尝试通过BP神经网络构建的基本养老金运行风险预警系统预测结果与多元回归模型的比较,进行基本养老金失衡风险预警方法的选择研究.在建立基金运行的风险指标体系基础上,搜集整理源于新疆的具体数据,首先进行多元回归模型的基金风险预警结果分析,然后通过MATLAB实现BP神经网络模型的反复训练、学习,并通过预警值与实际值的比较,检验BP神经网络预警模型的有效性,最后通过两种模型结果的比较,选择出BP神经网络预警方法更有优势.     

基于多项式回归的自构形算法

自构形算法是BP神经网络提高泛化能力的一种方法,但自构形算法以线性回归理论为基础,在解决非线性问题时剪枝能力和收敛速度都存在不足,针对这一问题,提出基于多项式回归的自构形算法,并以风机故障诊断数据为例,对两种算法进行了详细的实验对比,实验表明基于多项式回归的自构形算法剪枝能力和收敛速度均优于线性自构形算法.     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

前馈神经网络在水厂混凝投药中的应用

为了解决自来水生产过程中混凝投药量难以控制的问题,提出了一种将神经网络前馈控制与反馈控制相结合的控制策略。神经网络前馈控制器采用三层结构的BP神经网络模型,输入层神经元分别是原水的流量、浊度、温度、pH值及浊度的设定值,输出层神经元为混凝投药量。反馈控制采用传统     

一种利用RBF神经网络的传感器建模新方法

介绍了基于RBF神经网络的传感器建模新方法，其网络结构简单、收敛性好、计算机仿真结果显示该模型能同时传感器的温度补偿和非线性校正。     

用BP网络算法获取电子浓度真高剖面

提出了一种从垂测电离图获取电子浓度真高剖面的新方法——网络逼近法．该方法通过ＢＰ网络算法求解群路径积分方程，得到了电子浓度真高剖面．并对给定的抛物模式作了验证计算，计算结果与抛物模型理论值吻合较好     

基于混沌时间序列的非线性动态系统神经网络建模与预测

在分析神经网络非线性建模原理的基础上，以典型的非线性差分方程为研究对象，提出了一类基于神经网络的非线性动态系统建模方法．针对传统BP算法的局限性，提出了一种非线性动态系统神经网络改善梯度估计精度的新算法．并以上证综合指数时间序列为研究对象，运用本文提出的建模方法和算法，进行了我国资本市场混沌时间序列预测研究的实例分析，得到的单步预测上证综合指数误差很小(-100～100)；多步预测在最初的10步之内预测效果较为理想，而在此之后的预测值则严重偏离真实值．这与混沌时间序列特性相吻合，同时也证明了所用算法的有效性．     

Hopf field网络解TSP的改进算法

本文提出用神经网络解旅行商问题(TSP>的改进算法。简化了Hopfield神经网络的能量函数并讨论了Euler法取大步长时的迭代性质.计算机模拟表明主要有两大优点:一是迅速收敛到一个解，二是易获得有效路径.     

一种基于Rough集理论的最小风险决策规则提取方法

波兰科学家Zdzisilaw Pawlak将概率统计中的Bayesian公式与Rough集模型相结合建立基于决策理论的概率模型，给出了一系列的决策规则及相关讨论。在此基础上结合在银行信贷分析的实际例子描述了基于Rough集理论的最小风险决策规则提取方法及它的实际应用，可以看出这为非结构化风险决策问题提供了一条很好的辅助决策的途径。     

基于BP神经网络的CMOS电路平均功耗宏模型

提出了一种基于神经网络的功耗宏模型，该模型提取CMOS（互补金属氧化物半导体）集成电路原始输入／输出流的统计特征，采用反向传播BP神经网络对电路的平均功耗建模．与传统的基于查找表和经验方程的宏模型相比，该模型占用内存少，不需要根据不同的电路预先假定拟合函数的形式．基于ISCAS-85电路集的实验结果表明：功耗估计的平均相对误差小于10％，均方根误差可基本控制在5％以下.