共查询到19条相似文献,搜索用时 203 毫秒
1.
2.
3.
4.
本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型、神经网络多维时间序列模型和神经网络组合预测模型,将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。 相似文献
5.
介绍了时间序列预测常用的遗传算法和神经网络算法相关理论.在此基础上,提出了改进的基于遗传算法结合LM优化算法的神经网络训练方法.该方法分两阶段使用遗传算法改善网络训练质量,首先通过遗传算法进行粗调得到一个全局的近似解.以此为初值,再采用遗传算法和LM优化算法交替训练神经网络.最后,阐述了将该方法实际应用于春节当天六忙时短信息发送量峰值的预测. 相似文献
6.
时间序列神经网络预测方法 总被引:4,自引:0,他引:4
本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型,神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。 相似文献
7.
采用粗BP神经网络和D-S证据理论的目标识别 总被引:2,自引:2,他引:0
为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景. 相似文献
8.
9.
10.
11.
为准确预测卡钻事故的发生,利用一种基于时间序列的神经网络卡钻预测方法,将时间序列ARMA建模与神经网络非线性建模相结合。选取与卡钻事故相关性较大的参数作为神经网络的输入项,运用现场数据对神经网络进行训练,再利用神经网路的强非线性和自适应学习能力来建立卡钻事故预测模型;通过时间序列对历史数据的挖掘功能,揭示实际钻井过程中对卡钻事故影响较大的各参数的隐含规律,建立时序ARMA模型,求出卡钻时刻钻井相关参数的预测值;将预测值放入神经网络模型进行测试训练,从而达到预测卡钻事故的效果。运用延安地区实际现场数据证实该方法具有精确的卡钻预测能力及较好的泛化能力。 相似文献
12.
13.
粗糙集数据挖掘及其在汽轮机故障诊断中的应用 总被引:2,自引:2,他引:0
针对当前专家系统知识获取瓶颈的难题,提出了基于粗糙集数据挖掘的汽轮机故障预报及诊断方法。将汽轮机故障历史数据首先进行模糊化及离散化处理,然后构建故障诊断决策表,以决策表作为主要工具,即“知识库”,采用粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机提供有效的故障诊断。提出了基于粗集的分类规则学习和约简算法,实现了基于粗糙集数据挖掘的汽轮机故障预报及诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机故障预报及诊断系统的设计具有借鉴意义和深入研究的价值。 相似文献
14.
针对径向基神经网络在激光图像分类识别中识别率低及训练时间长的问题,提出粗糙集与神经网络相结合的方法,将粗糙集算法简约后的样本特征作为神经网络的前置输入。首先建立不同视点的激光主动成像三维仿真图像,然后提取17个目标特征,并采用粗糙集算法选择分类的属性,从17个特征中筛选出5个影响决策的特征属性,最后选用4层径向基神经网络作为基本的网络结构,并采用在各层节点上与粗糙集相结合方法识别目标。仿真结果表明,结合粗糙集的集成神经网络方法识别正确率保持在80%以上,与未结合粗糙集的神经网络相当,但训练与识别时间缩短10倍以上。 相似文献
15.
由于时序数据的海量、高维等特点,对原始数据进行预处理是实现时序数据挖掘的重要步骤。有效的预处理不仅能去除噪声、冗余,减低数据规模、提升计算效率,还能通过提取数据特征,揭示数据关系,有助于实施时序数据挖掘。本文从数据缺失、数据噪声、离群点/异常值、特征提取和模式表示几个方面,对已有的原理和方法进行分析归纳,为后续时序数据挖掘研究提供参考。 相似文献
16.
Comprehensibility is very important when machine learning techniques are used in computer-aided medical diagnosis. Since an artificial neural network ensemble is composed of multiple artificial neural networks, its comprehensibility is worse than that of a single artificial neural network. In this paper, C4.5 Rule-PANE, which combines an artificial neural network ensemble with rule induction by regarding the former as a preprocess of the latter, is proposed. At first, an artificial neural network ensemble is trained. Then, a new training data set is generated by feeding the feature vectors of original training instances to the trained ensemble and replacing the expected class labels of original training instances with the class labels output from the ensemble. Additional training data may also be appended by randomly generating feature vectors and combining them with their corresponding class labels output from the ensemble. Finally, a specific rule induction approach, i.e., C4.5 Rule, is used to learn rules from the new training data set. Case studies on diabetes, hepatitis , and breast cancer show that C4.5 Rule-PANE could generate rules with strong generalization ability, which benefits from an artificial neural network ensemble, and strong comprehensibility, which benefits from rule induction. 相似文献
17.
18.