基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加，网络传输数据体量也随之增大，在多种因素的影响下，内部异常数据占比也越来越高，为网络数据传输、应用带来了极大的困难，为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下，大幅度提升了评价指标——F1值，能够更加精确的识别异常数据，为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合），引入深度学习技术——LSTM，构建网络传输数据异常识别模型，根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据，基于梯度下降法制定构建模型训练程序，确定异常数据判别规则，将测试集合输入至训练好的识别模型中，输出结果即为异常数据识别结果。实验数据显示：应用所提方法后，F1值呈现波动状态，最小值为83.70%，最大值为94.50%，符合数据异常识别需求，证明该方法具备可行性。     

模糊神经网络在电厂给水加药系统中的应用

火电厂的给水加药系统具有时滞、非线性等特点,并且难以建立数学模型。模糊控制对非线性、时滞、难以建立数学模型等系统有较好的控制效果和鲁棒性。神经网络在自学习、自适应和容错性方面表现出了良好的效果。将这两种智能算法融合,使系统在更好利用经验规则实现较好控制效果的同时能根据环境的变化不断地学习,提高系统的自适应能力和鲁棒性。文章设计了基于T-S模糊神经网络的加药控制器,并通过仿真对比检验了T-S模糊神经网络静态性能和动态性能以及对于非线性和时滞的控制效果。     

图像识别处理技术在农业工程中的应用

研究一种基于图像识别处理的粮虫检测方法,将图像识别处理技术应用于农业工程。首先使用灰度化、二值化、平滑以及锐化技术对粮虫图像进行预处理,使得图像更容易进行边缘检测和图像特征提取。之后使用四种边缘检测方法实现图像中待识别粮虫的边缘检测。使用粮虫图像的8种区域描述子特征作为粮虫识别模型的输入特征。最后选取常见的玉米象、拟谷盗和锯谷盗三种粮虫为研究对象,使用基于RBF神经网络的识别模型对三种粮虫图像的几何形态特征进行识别。     

基于混合遗传神经网络的运动员专项成绩预测系统设计

针对传统运动员专项成绩预测系统一直存在无法达到实质性的综合预测的问题,提出并设计基于混合遗传神经网络的运动员专项成绩预测系统。通过混合遗传神经网络,导入运动员专项数据,根据系统内部节点间调整,对运动员专项数据信息进行处理,建立专项成绩灰色预测模型,实现运动员专项成绩预测。实验数据表明,所设计的成绩预测系统能够进行高精度的专项成绩预测。     

基于小波神经网络的我国移动通信市场预测

分析中国通信移动通信市场发展情况,移动市场发展的历史数据,具有明显的阶段性,即在不同的发展阶段具有不同的特点,将小波神经网络理论模型应用于移动通信市场预测,有助于更好地把握移动通信用户发展的规律,掌握下一步移动通信市场发展情况,为通信运营商的建设投资提供依据,为市场发展规划做好指导具有重要的价值,具有很强的实用性和准确性。     

阿尔茨海默病诊断的自适应BP神经网络模型

阿尔茨海默病(AD)和轻度认知功能损伤(MCI)具有患者多、诊断难的特点,改进BP神经网络,提出自适应BP神经网络(ABP)进行100次AD和MCI诊断模拟,ABP神经网络的诊断正确率显著高于BP和RBF神经网络.采用留一法将101例正常人、200例MCI和90例AD患者的样本分为训练集和检测集,用ABP神经网络对其进行诊断模拟,总正确率达到73.91%.     

小波神经网络在MC-CDMA多用户检测技术中应用研究

对多载波码分多址(MC-CDMA)系统的干扰受限问题,提出了利用小波变换良好的时频局部特性和神经网络的良好自学习能力,提高多用户检测性能的原理。同时为解决网络权值和参数修正进化缓慢并且容易陷入最小的问题,采用增加动量项的方法提高网络学习效率。建立了基于小波神经网络的多用户检测器并应用于MC-CDMA系统中。用MATLAB/Simulink软件搭建仿真系统,接收端采用解相关检测(MMSEC)和正交恢复(ORC)检测算法。实验表明,基于小波神经网络的多用户检测技术在误码率(BER)性能上更接近单用户的BER性能。     

计算机网络安全评价中神经网络的应用研究

安全评价对于计算机来说,具有十分重要的意义。而在计算机安全评价当中,神经网络又起到了十分良好的作用。它能够有效地解决传统计算机网络安全评价中的很多问题和不足,通过BP神经网络和粒子群优化算法的应用,能够构建更为可靠的计算机网络安全评价体系。文章对神经网络的特点和发展进行了简要分析,并对其在计算机网络安全评价中的具体应用进行了研究。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于神经网络的光伏发电功率预测不良数据处理的研究

光伏发电系统历史发电功率数据的真实可靠是光伏发电系统发电功率预测的基础,而在光伏发电系统运行或数据采集、测量、传输、转换等环节出现故障时会导致历史数据中含有不良数据。本论文提出采用小波分析中的信号奇异点检测法对不良数据进行剔除,并采用神经网络的时间序列预测模型对剔除后的数据进行重构,从而达到检测并消除不良数据的目的,为光伏发电系统发电功率预测提供能反应其变化规律的真实历史信息。