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     

基于数据挖掘技术的银行客户定期存款认购模型研究

数据挖掘技术能有效地挖掘出潜在的银行客户,能够大大提高银行的竞争力.介绍了数据挖掘技术中常用的三种模型:逻辑回归模型、BP神经网络模型和决策树模型,同时构造了一种新模型——逻辑回归与BP神经网络混合的模型,然后分别采用这四种模型对可能影响银行客户是否认购定期存款的影响因素进行数据挖掘分析,分别构建了基于逻辑回归模型、BP神经网络模型、逻辑回归与BP神经网络的新模型、决策树模型的银行客户定期存款认购的四种模型,同时利用R语言分别对这四种模型进行分析,分别用ROC曲线的AUC值和正确率比较这四种模型的功效强弱以及稳定性,研究结果表明,给出的新模型——逻辑回归与BP神经网络的新模型的预测效果更好,训练集和测试集预测的准确率分别为0.936和0.931,训练集和测试集ROC曲线的AUC值分别为0.998和0.987,这可以大大缩小银行推送认购定期存款的客户范围,有效地挖掘出潜在的银行客户,可以大大提高银行的效率.     

精神疾病患者经济负担分析及预测

对某精神疾病的专科医院患者数量及费用进行分析,采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测,并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集,建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用,可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据,为制定精神病患者疾病负担的相关政策提供数据支撑.     

静息态脑功能连接在不同认知状态老年人中的应用

目的探讨不同认知状态老年人静息态脑功能连接情况。方法收集阿尔茨海默病患者（AD组）13例、轻度认知功能障碍患者（MCI组）12例、认知正常老年人（对照组）13例，进行磁共振扫描，应用局部一致性（ReHo）方法确定种子点，并进行静息态功能连接分析。结果在静息状态下，AD组和MCI组患者的后扣带回区域、额叶内侧、前额叶背外侧和顶叶部分区域的ReHo均较高。与对照组相比，MCI患者左侧颞叶（颞下回及颞中回）、海马旁回及右侧枕叶舌回、皮层下的部分脑区ReHo显著降低；而右侧额叶（额上回、额中回及中央前回）、顶上小叶及左侧梭状回、颞上回、额下回的部分脑区ReHo显著增高。AD患者变化更加明显，额叶-顶叶，颞叶-脑岛，颞叶-枕叶之间的长距离连接降低，但是额叶内部和枕颞间、丘脑及颞叶间的功能连接增高，3组间差异有统计学意义（P＜0.05）。结论3组不同认知状态老年人的功能连接不同，有助于AD、MCI患者及正常老年人的鉴别诊断。     

基于CEEMD-BP神经网络的海温异常预测研究

海洋表面温度(SST)具有非平稳、非线性的特征,对处理和预测造成了很大困难.将互补集合经验模态分解(CEEMD)和BP神经网络相结合,对东北太平洋和赤道中、东太平洋这两区域的月平均海洋表面温度距平序列(SSTA)进行模拟预测研究:首先应用CEEMD方法将SSTA分解为不同尺度的一系列本征模函数(IMFs);再运用BP神经网络对各IMFs进行分析预测;最后将各IMFs预测结果进行重构得到最终SSTA的预测值.数值实验的结果表明,应用CEEMD和BP神经网络对东北太平洋和赤道中、东太平洋的SST预测是有效的.     

一种简单神经Mealy机的构造

构造一种新型神经Mealy机,神经Mealy机具有一定的学习能力,它主要通过学习来获得(von Newman)计算机结构,可以较好地避免普通计算机那样损毁一条电路就带来灾难性后果的情况.其本质是将递归神经网络通过BP优化算法,对Mealy机进行模拟得到,并通过实验对该网络的学习性能进行研究分析.基于形式文法和自动机的等价性,用神经网络来实现文法推导.先采用神经网络对样本集进行学习,这些样本可由一个经典Mealy机生成,然后从训练完的神经网络提取出自动机.     

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.     

小波神经网络模型预测二氧化碳+水溶液体系界面张力

二氧化碳+水溶液体系界面张力(IFT)是影响地层中气水两相运移特性的重要参数之一,对二氧化碳捕集、埋存至关重要.为了快速准确地确定二氧化碳+水溶液体系IFT,对已有IFT实验结果进行了统计整理,得到了1 677组样本数据,考虑了压力,温度,气体中甲烷、氮气含量,水溶液中一价阳离子(Na+,K+)浓度、二价阳离子(Ca2+,Mg2+)浓度6个因素对IFT的影响,建立了小波神经网络（WNN）预测模型对二氧化碳+水溶液体系IFT进行预测.模拟结果表明,随机选取839组数据作为训练集样本,得到的小波神经网络结构为6-16-1,该模型预测IFT的平均绝对误差(M_MAE)、平均相对误差(M_MARE)、方差(M_MSE)和相关度(R2)分别为1.23 mN/m,3.30%,2.30 mN2/m2,0.988.与最新提出的多元拟合模型和BP神经网络模型对比结果表明,小波神经网络模型预测精度最高.     

基于改进CS优化BP神经网络的降水量预测模型

针对传统BP神经网络易陷入局部极值和连接权值难以确定的问题,提出了一种基于融合PSO(Particle Swarm Optimization)和CS(Cuckoo Search)的混合算法优化设计BP神经网络(PCS-BP)的预测模型.该优化方法主要利用混合算法优秀的全局搜索能力和收敛速度设计优化BP神经网络的连接权值和网络结构,解决了BP神经网络由于参数随机取值引起的网络震荡和过拟合的问题,提高了预测模型的准确性.结合具体实例,分别采用BP神经网络、CS-BP模型和PCS-BP模型对汉中地区的月降水量进行预测,实验结果表明,PCS-BP的平均绝对误差(MAE)为0.3966,均方根误差(RMSE)为2.3793,平均绝对百分比误差(MAPE)为0.46%,均优于其他模型,具有较好的预测能力.     

基于BP神经网络的行业间中小企业信用评估模型及应用

首先构建了行业间中小企业信用评估指标体系,然后利用安徽省不同行业的800家中小企业调查数据,将其分为训练样本集和测试样本集,对BP神经网络的构造进行讨论,确定BP神经网络的算法,建立起基于BP神经网络的行业间信用评估模型,并代入2003年度全国农业和工业的部分分行业数据进行实证,并对仿真结果做出分析,指出造成农、工行业信用较大差距的原因,并提出加强农业行业信用建设的建议.     

基于高斯混合和BP神经网络的卵巢癌质谱数据三分类模型

癌症的早期诊断可以显著提高癌症患者的存活率,三分类问题就是将未知样本与已知样本进行匹配度检测,预测样本是健康状态,良性发展状态,还是癌症状态.针对复杂难分的卵巢癌蛋白质质谱数据,提出了一种基于高斯混合模型和BP神经网络的三分类预测模型.首先,去除原数据中的冗余,对其进行方差排序及交集筛选提取特征集合一,再利用高斯混合模型处理求得参数作为特征集合二,最后使用BP神经网络进行样本三分类,准确率达到72.9%.结果表明:模型可以作为卵巢癌质谱数据三分类的可选择工具.     

基于邻域粗糙集的网络入侵分类诊断组合模型研究

网络入侵诊断直接影响网络正常运行和安全.针对入侵类型复杂,现有分类诊断模型精度有限的问题,提出一种基于邻域粗糙集的网络入侵分类诊断优化模型.首先,运用邻域粗糙集对网络入侵数据进行条件属性的约简,确定关键属性,然后将其作为训练输入构建相关向量机分类诊断模型,并同时运用遗传算法进行超参数优化,提高模型诊断精度和速度.通过KDDCup99数据集对优化模型性能进行检验,结果表明,组合预测方法精确度高于支持向量机、相关向量机和BP神经网络.组合模型诊断精度高、速度快,具有优异的综合性能.     

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.     

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.     

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。     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以“均平方误差最小”为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GA-BP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

基于支持向量机模型的建筑物沉降预测

针对建筑沉降发生的过程,采用支持向量机(SVM)模型对建筑物沉降进行预测.使用前期施工过程中的沉降观测数据作为训练样本集,建立现场动态沉降量预报模型.仿真试验和实践结果表明,模型与BP神经网络预测模型相比能够更准确地反映实际沉降过程,且满足精确性和适用性的要求.