基于模糊神经网络方法的胎儿体重预测

应用模糊神经网络理论对胎儿体重的预测方法进行了研究,用模糊Modular神经网络建立了胎儿体重预测模型,并开发出相应预测程序,经多次实验与临床使用证明本方法预测精度高,操作方便,是一个实用有效的胎儿体重预测工具.     

准确估计临产前胎儿体重的方法

指出影响胎儿发育的若干因素及预测体重的简易公式，并展望了发展前景。     

不同参数胎儿体重预测符合率比较

探讨胎儿体重预测最佳参数.选择临产前单胎、头位、足月孕妇174例,孕妇宫高、腹围、胎儿双顶径、股骨长度、腹围等作为胎儿体重预测参数估测胎儿体重和根据公式计算胎儿体重,与出生后实际体重进行比较,对符合率进行统计学分析.结果:胎儿腹围单参数公式计算和高年资医生经验估测符合率最高.胎儿腹围是足月胎儿体重预测的最佳参数,其单参数公式计算简便,有临床应用价值.     

基于模糊神经网络的钻速预测方法

为解决钻井可控因素之间由于复杂的耦合关系造成模型拟合效果不佳的问题,提出了一种基于模糊神经网络的机械钻速预测模型,应用模糊控制的思想解决参数耦合问题并进行预测。利用聚类算法将相似度高的数据划分为一个模糊集,作为模糊神经网络第2层的初始化参数。以某油田为背景进行仿真,结果表明模糊神经网络提取出的经验知识符合该油田钻井可控参数之间的耦合关系,且适用于该地区大部分钻井作业,证明该模型具有良好的预测能力,并验证了模型的可行性以及适用性,这对提高钻井效率,节约成本具有重要意义。     

B超指标预测胎儿体重(体质量)的临床应用

目的：探讨应用Ｂ超指标预测胎儿出生体重（体质量）的临床价值。方法：（１）应用Ｂ超对２８０例胎儿的双顶径（ＢＰＤ）、头围（ＨＣ）、股骨长（ＦＬ）以及腹围（ＡＣ）进行测量,并与新生儿实际出生体重进行相关分析,经回归分析得出预测胎儿体重新的方程式;（２）应用此方程对３００例胎儿进行前瞻性验证,并与其他多参数计算公式比较。结果：腹围及双顶径与股骨长度之和与新生儿出生体重的相关性最好,推荐体重预测公式：ｍＢ     

基于模糊神经网络的农作物虫情预测

针对农作物虫害发生比较多，且具有复杂性和模糊性的特点，以及模糊神经网络在解决非线性复杂问题方面具有的独特优势，提出了一种基于模糊神经网络的农作物虫情预测方法。该方法结合了模糊逻辑理论、人工神经网络优点，推理速度快。仿真结果表明，该方法不仅操作适用方便，而且虫情预测的结果准确，具有广泛的应用价值。     

基于模糊神经网络的城市排水预测

海绵城市的建设具有重要意义,如何更好地预测城市排水量成为一个关键点。针对城市排水的波动性和非线性特征,提出一种基于模糊神经网络预测的城市水量预测算法。首先,采用灰色模型构建城市排水预测模型,并基于海绵城市的概念建立客观预测回归函数。其次,通过设置断点来构建滑动窗口,并实时分割灰色模型的数据,以获得数据的实时统计特征,通过构造序列误差预测和压缩比之间的函数,并使用误差预测序列来确定分割点,以提高检测过程的鲁棒性。最后,通过城市排水预测模拟实验,表明所提出的算法能够有效提高城市排水的预测精度和预测效率,更好地反映了整体趋势。     

一种基于模糊神经网络的ncRNA基因预测方法

提出了一种基于模糊神经网络的ncRNA基因预测方法.该方法由预处理、具有结构学习的模糊神经网络预测器、后处理3个部分组成.预处理模块将比对后的输入序列进行滑动窗处理,并顺序提取有效的特征信息.模糊神经网络预测器采用了基于Takagi-Sugeno模型的5层模糊神经网络结构,通过输入层、模糊化层、点火强度层、归一化点火强度层、输出层的计算,得到预测结果;并进一步给出了一种模糊神经网络的结构学习算法,可有效地降低参数空间的维度,提高计算效率,并避免过学习情况的产生.后处理过程可对有交叠的预测结果进行拼接.实验结果表明,较之其他预测工具,本方法的ncRNA基因预测精度有所提高.     

基于模糊神经网络的供热负荷预测

首先在对供热负荷预测算法的发展现状主要成果阐述的基础上,对影响供热预测因素采用模糊量化的方式进行研究处理,并由此推断将模糊神经网络算法应用于供热负荷预测可以得到良好的效果.研究模型的设计核心是BP神经网络,即将模糊量化后的影响因素作为系统的输入值,去调整神经网络的权值,从而得到预测的网络模型.建立预测模型和预测策略后,可以采用Matlab科学计算软件开发程序对预测模型效果进行模拟仿真,结果表明,预测的结果能够满足要求,相对误差在合理的范围内,并且模糊神经网络算法比单纯神经网络算法具有更好的预测精度和鲁棒特性,从而达到节能的目的.且适应性强,可以应用到类似的供热工程上.     

基于模糊神经网络的信号交叉口交通量预测

预测精度高,实时性强的交叉口交通量预测算法可以极大地提高城市交通控制的效率。文中提出了基于模糊神经网络的信号交叉口交通量预测方法。该方法以模糊神经网络为核心,应用在线滚动学习模型实现交叉口交通量预测,并应用了交通量微观仿真系统对模型进行检验,仿真结果表明该模型比传统方法精度高,收敛速度快。本模型在城市交通控制系统研究中有巨大的应用潜力。     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. the multiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learning algorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzy neural network model, the network is used to Predict short-term load by compaing the network output against the real load data from a local power system supplying electricity to a large steel manufacturer. The experimental results are satisfactory.     

基于模糊神经网络的航运运价指数预测

为航运市场的参与者提供准确和高效的预测模型及决策支持,以BDI指数为研究对象,分析其时间序列数据所包含的内部信息和统计特征,采用模糊数理技术与神经网络技术,为BDI指数建立模糊神经网络模型.相比传统神经网络,模糊神经网络对于BDI指数时间序列在预测能力上的表现更优.     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入-多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

基于模糊聚类规则的网络性能分析方法

利用模糊聚类方法对网络性能进行分析,解决了网络性能分析数据自动聚类分析问题.重点探讨了网络性能分析数据的数据模型的建立和聚类过程,以及根据隶属度函数确立了数据对象的隶属关系,并给出了一个具体的模糊聚类算法.     

基于网络层析成像技术的道路交通流预测算法

为了更有效地预测城市路网交通流量,本文提出了一种城市道路交通预测模型.该模型基于网络层析成像(Network Tomography, NT)技术建立生成树,采用期望最大 (Expectation Maximization, EM) 算法得到路网子网车流概率分布,再结合路网子网中流量守恒原则,对待预测路段流量进行推测.实验结果表明,该模型优于现常用的人工智能模型,对城市交通流量预测更为有效,且提高了预测精度.     

一种基于模糊神经网络的异构网络选择算法

提出了应用于异构网络融合场景的基于模糊神经网络的网络选择算法.该算法由预判决、模糊神经网络处理和网络选择判决3个模块组成.引入预判决模块,滤除了能直接进行网络选择的采样点,减少了进入模糊神经网络的采样点数;模糊神经网络处理模块综合考虑信号强度、终端移动速度以及网络带宽等因素来进行网络选择判决;由于模糊神经网络具有学习训练能力,故能根据输出误差自适应调整隶属度函数的参数.仿真结果表明:提出的算法在保证较低丢包率的情况下,有效降低了网络选择判决时延,减少了乒乓效应的发生次数,降低了阻塞率.