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.     

基于灰色神经网络的企业风险特征指标动态预测方法研究

根据企业风险特征指标预测问题的特点,提出将灰色系统GM(1,1)模型与神经网络结合建立一阶灰色神经网络预测模型,以实现系统预测的动态性及提高系统的预测精度.但该模型具有一定的局限性,从模型参数的角度给出了该模型只适用于具有"单调"性数据的证明,进而提出了三阶灰色神经网络预测模型,以适应预测数据"非单调"或摆动的情况.但随着系统建模过程中阶数的增加,预测精度会有所下降,因此应根据数据特点选择预测模型.最后,通过实证分析验证了上述模型及证明结论.     

空气质量数据校准的统计学习与建模

为2019年"高教社杯"全国大学生数学建模竞赛D题"空气质量数据的校准"给出了可行的解法,根据赛题所给的数据,对自建点数据和国控点数据进行了探索性数据分析,分析了自建点数据和国控点数据存在差异的原因,并采用多元线性回归模型和前馈神经网络模型对自建点数据进行统计学习和校准,并对学生在参赛中出现的方法进行了简要的说明与点评.     

图神经网络

近年来,随着海量数据的涌现,可以表示对象之间复杂关系的图结构数据越来越受到重视并给已有的算法带来了极大的挑战.图神经网络作为可以揭示深层拓扑信息的模型,已开始广泛应用于诸多领域,如通信、生命科学和经济金融等.本文对近几年来提出的图神经网络模型和应用进行综述,主要分为以下几类:基于空间方法的图神经网络模型、基于谱方法的图神经网络模型和基于生成方法的图神经网络模型等,并提出可供未来进一步研究的问题.     

移动通信中的无线信道指纹特征建模

为了探索无线信道的传播特征并建立相应的无线信道模型,针对无线信道的"指纹"特征建模及场景识别问题,提出基于无迹卡尔曼神经网络的信道建模方法.首先采用霍特林变换对信道传播数据进行预处理,实现数据从复数域到实数域的转换,然后利用主元分析对数据进行降维,得到降维数据后,采用无迹卡尔曼神经网络进行无线信道"指纹"特征建模,最后根据模型的输出值建立无线信道的评价指标,对测量的信道数据进行场景划分以及场景识别.仿真结果表明:无迹卡尔曼神经网络所建信道模型可准确对无线信道进行类别划分和场景识别.     

MEA-BP模型在遥感影像分类中的应用研究

遥感影像分类作为遥感技术的一个重要应用,对遥感技术的发展具有重要作用.针对遥感影像数据特点,在目前的非线性研究方法中主要用到的是BP神经网络模型.但是BP神经网络模型存在对初始权阈值敏感、易陷入局部极小值和收敛速度慢的问题.因此,为了提高模型遥感影像分类精度,提出采用MEA-BP模型进行遥感影像数据分类.首先采用思维进化算法代替BP神经网络算法进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于思维进化算法的BP神经网络分类模型,并将其应用到遥感影像数据分类研究中.仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值.     

基于模糊神经网络建模的RFID室内定位算法

将模糊神经网络FNN应用于基于RFID技术的室内定位系统IPS,提出一种基于模糊神经网络的RFID室内定位算法,算法将参考标签数据作为神经网络的训练样本,建立"标签接收信号强度与标签读写器间距离RSSI-DIST"的映射模型,然后利用最小二乘解确定目标的位置坐标.同时,对比了传统BP神经网络和FNN网络在建模和定位中的性能.在仿真和硬件平台测试中,模糊神经网络都要比BP表现出更优异的性能,表明基于模糊神经网络的算法更适合于IPS系统.     

基于大型商场销售采集系统的营销模型

针对零售行业企业管理的合理性,基于某大型商场销售采集系统数据,构建适合零售运营商精准营销的FRLMC模型,实现零售行业的精准营销,优化会员管理制度.应用K-Means聚类分析方法构建合理实用的结构体系,精准识别会员消费特征,实现对会员消费行为画像描绘.通过实际应用说明模型的准确率,在其他行业经过验证可推广应用.     

GRNN和PNN模型在信用风险评估中的应用

广义回归神经网络GRNN和概率神经网络PNN,与传统的BP神经网络相比,收敛速度快,学习能力强.本文将其应用到信用风险评估,选取1057组公司财务数据作为训练数据,350组数据作为测试数据,分别建立基于不同属性的模型对样本公司财务状况评判其是守信公司还是违约公司,最终选取精度较高的作为最终模型对财务系统进行预测.结果表明,PNN对于信用风险评估泛化能力好,测试集正确率高,因此可以用作风险预警的模型,给决策者提供智力支持.     

基于CMAC神经网络的舰船运动预报仿真研究

舰船运动是引发多种海面事故的主要原因,为了提高舰载机着舰安全系数、提高舰船战斗力、减少海难等事故的发生,舰船运动极短期预报是至关重要的.首次将CMAC神经网络应用于舰船纵摇运动姿态的极短期预报中,建立了CMAC神经网络舰船运动预报模型.同时对实际的舰船纵摇运动数据进行了数值仿真,证实了CMAC神经网络模型在舰船运动预报中的应用是合理且可行的.     

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.     

神经网络在复杂自相关预测过程中的应用及对比研究

由于PM_(2.5)日均浓度值受外界多重复杂因素的影响,其较强的自相关性使得时间序列模型ARIMA构建难以实现,因此,给出高映射能力的非线性神经网络预测模型,并分别建立基于BP神经网络和GRNN神经网络的预测模型,进行PM_(2.5)浓度预测实验.结果表明,BP神经网络回检过程和检测过程存在不稳定性,预测残差波动较大,而GRNN神经网络检测残差呈完全U型,回检过程和检测过程较稳定,并且GRNN神经网络回检数据拟合度、预测数据精度和运算速度均优于BP神经网络,建模过程更为方便,易于实际应用.     

基于多项式神经网络模型的人口预测方法研究

为了提高人口预测精度,提出了基于多项式神经网络模型与递推最小二乘法的人口预测方法.方法完全避免了人为假设条件,充分利用我国六次人口普查数据来建立基于多项式神经网络模型的人口预测模型,并使用递推最小二乘算法递推计算多项式神经网络模型的加权系数.方法能有效预测中长期人口数据及其变化趋势.研究结果表明,中国将在2016年达到人口高峰1385亿.     

大数据环境下精准教育的数学模型与若干问题

大数据时代背景下,通过教育大数据研究促进教育发展、为教育决策提供支持成为未来教育的发展趋势。大数据环境下的精准教育主要研究如何根据学习者的个性化特征给出相应的教学方案,从而提高教学效果,真正实现"因材施教"。本文对教育大数据的两大主要研究领域,即教育数据挖掘(EDM)和学习分析(LA)进行了简要介绍。同时,本文对当前教育大数据研究领域构建的主要模型进行了总结,并在此基础上构建可研究精准教育中若干问题的一种通用模型——精准教育中的教学评价数学模型,且对使用该模型研究具体问题的方法进行阐述,着重介绍了以问题为导向的模型构建思路。     

基于径向基神经网络的盐水中CO_2溶解度模型

确定盐水中CO_2的溶解量对CO_2地质封存潜力和外溢风险评估至关重要,经典溶解度模型建立在热力学平衡定律上,具有一定的限制性,而RBF径向基人工神经网络具有很强的泛化能力,能够关联复杂变量之间的映射关系.利用收集到的实验数据建立了RBF神经网络用于预测盐水中CO_2的溶解度,和之前已经建立的BP神经网络模型对比,将实验数据、RBF神经网络模型、BP神经网络预测结果、PR-DUAN模型以及亨利定律计算值做了对比,为确定盐水中CO_2的溶解度提供了一种新的RBF神经网络预测模型.     

基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例

油田产量预测工作一直是油田开发中的一项重要工作,许多传统的回归模型以及智能算法都已经在油田产量预测中有了应用.虽然神经网络以其较强的非线性拟合能力.而得到广泛应用,但是传统BP神经网络容易陷入局部最优值而影响预测结果.将利用遗传算法同时优化BP神经网络连接权值和阈值的算法应用到大庆油田BED试验区高含水阶段的油田产量预测,结果表明在面对高含水阶段更加复杂的地质条件和数据波动更强的情况下优化后的神经网络收敛速度更快而且预测精度更高.     

一种智能入侵检测系统设计与模拟实现

针对目前大多数的入侵检测系统存在的局限性,提出一种较完善的入侵检测模型,将专家系统和神经网络技术同时应用于入侵检测系统中.设计专家系统模块检测已知攻击,设计神经网络模块实现未知攻击的检测,提高了检测准确性.同时在神经网络模块应用PCA方法降低入侵数据维数,提高检测效率.仿真实验验证,该设计能有效降低入侵检测系统的漏报率和误报率.     

基于RBM的神经网络时间序列预测

为了克服神经网络依赖初始化结果,泛化能力不强的缺点,提出一种基于受限玻尔兹曼机(RBM)的神经网络模型.利用无监督学习方法优化神经网络的初始权值和阈值,将RBM与神经网络融合起来,模型与时间序列神经网络做实验对比,结果表明,基于受限的玻尔兹曼机的神经网络模型优于神经网络预测模型,模型可以提高预测的精准度,具有一定的应用意义.     

城市道路短时交通流量预测

结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.     

BP神经网络在农机总动力预测中的应用

准确的预测黑龙江省农机总动力,可为黑龙江省的农业机械化发展趋势和农机产品市场分析提供理论指导,为制定黑龙江省农业机械化发展规划和预测近阶段农业机械化发展水平提供参考依据.利用黑龙江省1980-2007年农机总动力数据,运用标准BP神经网络和改进BP神经网络模型进行预测,预测结果表明,改进BP神经网络模型比标准BP神经网络模型在预测精度、运行时间、学习次数等方面更具优越性.