基于KPCA-粒子群随机森林算法的舆情趋势预测研究

随着互联网时代社交媒体的飞速发展,热点事件不断进入公众视野,舆情分析成为公共管理部门面临的新挑战。针对该问题提出基于KPCA-粒子群随机森林算法用于舆情趋势预测研究。实验结果表明,该算法在预测精度上较BP神经网络算法有显著提高,可以为政府部门及时掌握、引导和控制网络舆情提供决策支持。     

基于随机森林算法的心血管疾病预测研究

血管疾病严重威胁着人类的健康,高发病率、高致残率、高死亡率是心血管疾病的主要特点,因此心血管疾病的预测研究显得尤为重要.本文探讨了随机森林算法在心血管疾病预测中的应用效果.在Kaggle网站上下载关于心血管疾病的数据集,用随机森林算法进行训练,实验结果由准确性、精度、召回率、F1-score评价标准来评价其性能的好坏(...     

基于随机森林和BP神经网络的船舶驾驶员疲劳检测算法

本文针对船舶驾驶场景,提出了一种基于随机森林和BP神经网络的船舶驾驶员疲劳检测算法,及时检测船舶驾驶员的疲劳驾驶行为,对安全航行有重要意义。首先,使用随机森林算法对特征数据按照场景分类;其次,根据场景将数据分发到不同的BP神经网络模型进行预测;最后,使用船舶仿真模拟器进行实验验证。结果显示,算法识别准确率为0.82,召回率为0.65,精确率为0.69,说明本文提出的算法对船舶驾驶员疲劳驾驶行为检测有一定实用价值,且与生理数据监测方法相比,简单方便、成本更低,对驾驶员无干扰。     

基于随机森林回归分析的PM2.5浓度预测模型

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.     

神经网络算法在房地产价格分析和预测中的应用

房地产市场是一个复杂的系统,影响因素较多,本文引入了非线性分析的有效工具——人工神经网络（ANN）。利用BP神经网络中的误差反向传递算法（即BP算法）对房地产价格进行分析,建立了基于BP神经网络的房地产价格预测模型,并利用武汉市2010-2012年各季度商品房价格对模型进行了训练与测试,取得了较好结果,证明了该模型在房地产价格预测方面具有较好的效果,并具有误差小、效率高等优点。最后利用模型对武汉市2013年第3、4季度房地产价格进行了预测。     

优化BP神经网络在森林病虫害预测中的应用

将优化BP神经网络应用于森林痛虫害——马尾松毛虫的预测。在马尾松毛虫预测预报中，建立一个根据以往积累的数据，预测下一、二代直至下一年全年的马尾松毛虫有虫面积、发生面积、虫口密度、虫株率的系统。经实测检验，面积预测平均误差为6．86％，虫口密度预测平均误差为10．93％，虫株率预测平均误差为10．13％，说明该系统具有较高的可靠性，可应用于实际预测。     

基于改进随机森林优化算法在医疗数据中的应用研究

本文针对临床疾病预测过程中医疗临床数据特征因子相关性较强,模型调参工作较为复杂的问题,提出一种多模型复合优化方法.考虑到过多的强相关性特征因子很容易降低模型的运行效率,利用SelectKbest变量筛选算法对临床数据进行筛选,采用遗传算法对随机森林分类器模型的参数选择进行优化.最后,以乳腺癌的临床数据为例,实验证明通过以上方法优化后算法模型的精准值、召回率、F1分值、AUC值等方面均有提高,该提出的超参数调优方法为具有强共线性的临床数据处理和疾病预测提供了一种新思路.     

基于随机森林算法的通信模组生产测试风险预测分析

阐述通信模组校准综测的问题分类和随机森林算法实现生产过程模组指标的风险预测的方法,通过分类预测,识别潜在风险,实现提高通信模组生产一致性的目的。     

基于随机森林算法的职位薪资预测

采用爬虫技术获取当前主流招聘网站的招聘信息,数据经清洗和标准化后,采用Python语言分别应用线性回归、支持向量机(SVM)、决策树、随机森林等算法完成训练,根据平均绝对误差、均方误差和R平方误差对预测结果评价效果得出随机森林算法效果最好,最终选用随机森林算法来构建职位薪资的预测模型.随机森林算法对职位薪酬预测结果能给...     

小波神经网络在地震预测中的应用

针对地震诱发因素的多样性和难预测性,采用了小波神经网络的方法进行预测,同时考虑多种因素,构建仿真模型,对震级进行预测,对比分析小波神经网络和BP神经网络的预测结果,证明了采用小波神经网络预测速度更快,结果更准确,精确度更高。     

基于随机森林算法的农村用户返乡预测

安徽作为劳务大省,每年春节都有大量消费群体返乡。为了更好支撑春节期间电信业务市场业务拓展,预测农村用户的返乡情况,中国电信安徽分公司利用机器学习中的随机森林算法建立相应的预测模型。模型以用户的通话行为等作为输入特征,利用随机森林算法对农村用户返乡情况进行了预测。同时建立了决策树模型与之对比,相比而言,随机森林算法具有更好的分类效果,同样在实际营销过程中,有效地提高了营销运营效率。     

基于随机森林算法的客户流失模型

针对电信行业流失客户预测的实际需要,比较几种预测模型的优劣,详细介绍随机森林算法的基本原理与模型构建过程,结合电信行业客户的数据特征,通过数据处理与算法调整优化,探索构建基于随机森林算法的客户流失模型,验证模型的实际应用效果。     

基于神经网络的BP算法研究及在网络入侵检测中的应用

通过分析BP神经网络用于检测系统存在的问题,在传统BP算法基础上,采用自动变速率学习法,引入遗忘因子、随机优化算子,并将其用于网络入侵检测系统。仿真实验结果表明,改进的BP神经网络算法用于入侵检测,速度快、易收敛,目标精度0.02很快达到。改进的BP神经网络算法的检测率、漏测率、误报率分别为96.17%,3.83%,4.15%,检测率比未改进的BP算法要高出11.65%,漏测率比未改进的BP算法要低10.66%,误报率比未改进的BP算法要低4.07%,改进算法优越性明显。     

神经网络在无线网络流量预测中的应用

无线互联网的流量数据非常分离且极其不稳定,混沌理论在其身上体现得特别明显,因此对无线网络流量进行预测具有一定难度。该文使用BP神经网络建立预测模型,在常规神经网络系统进行训练之前,需要对系统内部各个层次之间的连接权值以及阈值范围实行初始化操作,但是此操作将会影响神经网络最终收敛速度,有可能造成最终结果为非最优解,使得流量预测结果不是很理想。因此这里使用布谷鸟搜索优化方式对神经网络系统内各层之间链接值与阈值进行初始化操作,提高系统预测精度。该文使用遗传优化神经网络算法和粒子群优化神经网络算法建立同样的预测模型,并与该文研究的预测模型进行对比。实例分析结果表明,初期预测结果精度较高,与实际值比较吻合,但测试数据越靠后,预测值越不稳定,这主要是累计误差造成的。但总的来说,该文使用的布谷鸟优化BP神经网络预测模型的预测性能要优于由遗传算法和粒子群算法优化的BP神经网络。     

基于量子免疫优化算法的BP神经网络短期负荷预测方法研究

电能作为常见的能源类型,易与其他类型的能源进行转换,被广泛用于日常生活以及社会发展等方面。随着电力系统的不断发展,用户的不断突破,短期内的负荷用电预测成为国家电网稳定运行不可或缺的一部分。本文提出一种基于量子免疫优化算法改进的BP神经网络算法短期负荷预测方法,旨在提高BP神经网络算法存在的收敛速度慢、初始值敏感等问题,经某电力公司提供数据,对电力短期负荷进行预测,结果证明了本文提出方法的有效性与快速性。     

基于蚁群算法优化BP神经网络的政务云网络态势预测研究

针对常规BP神经网络预测模型存在的预测精度低、收敛速度慢等问题,给出一种蚁群优化BP神经网络预测模型,用于政务云的网络安全态势预测。同时,对蚁群算法的信息素更新规则进行改进,并将改进后的蚁群算法应用于BP神经网络权值和阈值的优化,得到BP神经网络预测模型的最优权值和阈值,并将最优权值和阈值用于BP神经网络训练和预测。实验仿真结果表明,与传统BP神经网络安全预测模型相比,采用优化后的模型进行网络安全态势预测时,其收敛速度和预测精度都得到了明显的提高。     

随机森林在储层孔隙度预测中的应用

传统的储层孔隙度计算主要采用统计回归的方法,但是在实际环境中,储层状况复杂,非均质性较强,采用传统方法所计算出的储层孔隙度误差较大.针对以上问题,本文在基于测井数据的基础上,将随机森林方法引入到储层孔隙度预测中,建立测井数据与储层孔隙度之间的非线性关系,实验证明该方法预测的储层孔隙度误差较小.与多元线性回归相比,能有效提高储层测井解释模型的精度,为储层综合评价提供可靠的地质参数.     

BP神经网络在山体滑坡变形预测中的应用

本文介绍了BP神经网络方法,并基于MATLAB语言编制计算程序进行计算,从而验证BP神经网络方法在山体滑坡变形预测分析中的可行性和有效性。     

基于随机森林理论的军用飞机维修费用预测研究

为预测军用飞机维修费用,选取军用飞机维修费用预测指标,使用收集的训练样本,建立军用飞机维修费用预测的随机森林模型,并预测军用飞机维修费用;将该模型预测结果与支持向量机回归(SVR)模型和BP神经网络模型的预测结果进行对比。研究表明:采用RF模型所预测的实例的军用飞机维修费用误差为6.9%,低于SVR模型的误差7.6%,BP神经网络的误差8.4%;可见RF模型具有较高的预测精度,能够相对有效地对合同经费进行预测。