基于中药提取的数据挖掘系统设计与实现①

系统主要应用数据挖掘方法对中药提取数据进行分析和预测。首先对数据进行集成和离散化处理,得到适合数据挖掘的数据集,然后利用k-means和DBSCAN聚类算法对质检数据进行聚类,得到工艺参数质检区间;并对Apriori算法进行了改进,在算法中加入了用户兴趣度的概念,控制了候选集指数增长,得到工艺参数和固含量的关系;并利用三层BP神经网络算法训练网络模型,得出过程参数和结果质量参数的关系,发现数据中隐含的规律,为企业优化工艺以及提高其生产效率降低成本等提供科学的分析、决策辅助工具。     

基于数据挖掘的工艺参数优化研究

提出了基于数据挖掘的机械加工工艺参数寻优方法,根据已有的样本训练数据建立决策树分类器和神经网络模型,针对要求的加工目标,通过对决策树的分类规则进行提取,生成预测数据集,结合建立的神经网络模型,迅速准确的预测出对应的加工工艺参数,并通过磨削实验验证了此方法的可行性。     

新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统

对含有噪声的数据序列根据预测置信度进行去噪处理,将训练集和测试集及预测数据共同作为训练向量集,以此建立新型支持向量诱导回归算法。本文利用该算法对实时售后服务的“千车故障数”进行了时间序列分析,并建立了新型的ε-不敏感损失函数小样本模型预测系统。预测显示误差小于5．3％的值占了总体的98．1％,其预测置信度达到0．983,与二次和Huber损失函数相比其MAPE值只有2．3％。用计算机模拟仿真单批次预测显,当时间参量t→＋∞,“千车故障数”将收敛于定值74．0601,这和实际相当吻合,表明所建预测模型的有效性。文章最后还和传统神经网络模型作了比较,说明新型SVM机比神经网络处理小样本能力更强。     

芳香/杂环磺胺类碳酸酐酶Ⅱ抑制剂的活性定量预测(英文)

对125个磺胺类碳酸酐酶Ⅱ抑制剂的生物活性进行了预测研究。利用ADRIANA.Code软件计算得到了化合物的一系列2D和3D结构描述符,从中选用了12个描述符进行建模。分别用数学随机划分的方法和Kohonen自组织神经网络的方法把数据集划分成两组不同的训练集和测试集。对于这两组不同的训练集和测试集,分别利用多元线性回归(MLR)和支持向量机(SVM)的方法进行建模,共得到4个模型。其中SVM得到的2个模型,训练集的相关系数在0.92以上,测试集预测的相关系数都在0.90以上。所有模型可进一步用于碳酸酐酶Ⅱ抑制剂的虚拟筛选。     

基于多进化神经网络的信用评估模型研究

客户信用评佑对于银行的经营管理有着重要的意义,为此提出了一种基于多进化神经网络的信用评估模型(MNN-CREDIT)。该模型基于客户信货数据,利用基于聚类的小生境遗传算法并行地训练出多个精度高、差异性大的三层前馈神经网络,然后将待识别的客户数据分别输入,最后根据动态投票法集成最终信用预测结果。利用德国信用数据库真实数据集进行了实证分析,结果表明,基于多进化神经网络的信用评估模型具有较高的预测精度。     

模糊神经网络在肺癌诊断中的应用

目的:综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用于肺癌诊断,提高诊断率.方法:以实际肺癌诊断病例中的一部分为训练样本,首先利用隶属函数对样本数据进行模糊化处理,再输入基于BP算法的神经网络,对网络进行训练.用训练好的网络对余下的样本进行预测,并将预测结果与病理专家的诊断以及普通的BP神经网络预测结果进行比较.结果:模糊神经网络模型的预测结果与病理专家的诊断精度相当接近,优于普通的BP神经网络预测结果.     

基于改进深度神经网络的心血管疾病预测

心血管疾病是威胁人类健康的常见疾病,为了能够更加准确地对其预测,本文在传统DNN模型基础上进行优化改进,提出定向正则的深度神经网络(TR-DNN)模型,通过改进原有深度神经网络模型所存在的缺陷,使其能够更好地对心血管疾病数据集进行训练并测试,进一步实现心血管疾病预测任务。实验表明该模型在数据集训练上的表现良好,并且在测试集上取得优秀的结果。最后,将TR-DNN与SVM、RF、XGBoost模型在同一数据集进行结果比较,TR-DNN模型的各项评价指标均优于其它模型,在准确率方面相较传统DNN模型提高1.507个百分点,召回率提高1.57个百分点,特异度提高2.54个百分点,精确率提高1.51个百分点。因此,TR-DNN模型可以应用于心血管疾病的预测。     

时态神经网络模型及其在股票分类预测上应用

对具有时间属性的数据进行数据挖掘称为时态数据挖掘，用以发现数据在时间上的知识，当数据变化不规律时，如股票交易数据,就很难发现有价值的规律与规则。而神经网络具有并行、容错、可以硬件实现以及自我学习的优点,可作为股票分类预测应用的一种方法。通过将股票数据与时态型相结合，将股票数据转换成时态型股票数据，提出时态神经网络模型的分类方法，对收集的若干上市公司十年内的股票数据进行分析，构建了时态股票数据神经网络分类器对股票进行分类预测。经过实验验证，相比改进前的神经网络和支持向量机方法，该分类器具有更高的分类准确率。结果证明，这种时态数据神经网络模型对于多只股票的分类预测是非常有效的，可以很好地运用到股票市场的分类预测中。     

基于GRU循环神经网络辅助的组合导航算法

针对复杂场景下GPS信号失锁导致的INS/GPS组合导航系统定位精度严重下降问题,提出基于GRU(门控循环单元)循环神经网络辅助的方法.在GPS信号锁定的情况下,使用GRU循环神经网络对IMU传感器数据、组合导航信息、GPS信息进行训练;GPS信号失锁后,利用训练好的模型进行预测,继续补偿INS结果.通过实际跑车采得的数据进行验证,在GPS信号失锁时,使用GRU循环神经网络辅助相较于纯惯导系统精度有较大提高.与MLP(多层感知器)辅助的方法进行比较,验证了循环神经网络对于连续时间轨迹推算的优越性.     

灰色Verhulst-BP网络组合模型在预测中的应用研究

在灰色Verhulst模型和BP神经网络理论的基础上,对两者的结合方式进行了研究,提出了部分数据Verhulst模型组的概念,得到了一种结合灰色Verhulst与BP神经网络的组合预测模型。利用BP神经网络建立部分数据Verhulst模型组与原始数据之间的非线性映射关系,克服了小样本时间序列数据在神经网络训练时的缺陷。实验结果和仿真验证表明,该组合预测模型具有较高的预测精度和良好的稳定性。     

COMBINING A RADIAL BASIS NEURAL NETWORK WITH TIME SERIES ANALYSIS TECHNIQUES TO PREDICT MANUFACTURING PROCESS PARAMETERS

The accurate prediction of the values of critical quality parameters of a product during the production stage is a key factor in the success of a manufacturing operation. Neural network algorithms have been used to successfully predict process parameter values. However, techniques to further improve the predictive capability of neural network models are sought. Thus, an analysis was conducted to determine if the predictive capability of the network would he improved if the prediction from a time series model of a manufacturing process parameter were included in the training data set of a radial basis function neural network model. A manufacturing process data set was evaluated, and the use of the time series model prediction significantly improved the neural network's prediction of critical process parameters. Often in a manufacturing environment, the collection of adequate amounts of data for network training is difficult. This integrated technique offers potential for improving network performance without collecting additional data.     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

Development of a quantitative structure-property relationship model for predicting the electrophoretic mobilities

Electrophoretic mobility (mu0) is the most important parameter governing the separation of solutes in capillary zone electrophoresis. In this paper, a new model was constructed by means of a multilayer neural network using extended delta-bar-delta (EDBD) algorithm to estimate complex property of electrophoretic mobilities of aliphatic carboxylates and amines from simpler experimental properties. The molecular weight (W), molecular volume (V), the code (+1 or -1) of acid and base and pK value were used as input parameters to predict electrophoretic mobility. The networks' architecture and the learning times were optimized. The optimum artificial neural networks (ANNs) could give excellent prediction results.     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用改进的人工蜂群算法与BP神经网络融合生成进化神经网络,然后使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先,获取历史负荷数据。然后,将获取到的数据输入到进化神经网络模型中进行训练。在训练过程中,采用了改进的人工蜂群算法对进化神经网络对神经网络的权重和偏置进行优化,提高模型的预测精度。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,找到最优的模型参数组合,从而提高模型的预测精度。为了验证所提出的负荷预测方法的有效性,我们使用了火电网负荷数据进行了测试。实验结果表明本文提出的进化神经网络在短期电网负荷预测方面表现出了良好的预测精度和实用性。与传统的预测方法相比,该算法的预测误差更小,预测结果更加准确可靠。     

Adaptative time constants improve the prediction capability of recurrent neural networks

Classical statistical techniques for prediction reach their limitations in applications with nonlinearities in the data set; nevertheless, neural models can counteract these limitations. In this paper, we present a recurrent neural model where we associate an adaptative time constant to each neuron-like unit and a learning algorithm to train these dynamic recurrent networks. We test the network by training it to predict the Mackey-Glass chaotic signal. To evaluate the quality of the prediction, we computed the power spectra of the two signals and computed the associated fractional error. Results show that the introduction of adaptative time constants associated to each neuron of a recurrent network improves the quality of the prediction and the dynamical features of a neural model. The performance of such dynamic recurrent neural networks outperform time-delay neural networks.     

真空感应炉终点碳含量预报

针对冶炼过程中碳含量不能直接测定的不足。采用RBF神经网络对真空感应炉的终点碳含量进行预报，在第一次预报时，初步计算出冶炼到达终点的时间和终点的碳含量；经过二次预报进行误差校正，使结果更加精确，结合现场120组数据进行学习和预报，预报命中率较高．实验结果表明，采用该方法预报碳含量可以取得良好的效果。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

上市公司财务危机预警系统的研究

企业财务危机预测是非线性预测,各个影响因素之间又存在着复杂的组合决策关系,并且现实中的数据多为连续的,很难直接用于机器分类学习。因此文中从分析财务预警问题的特点出发,融合了智能软计算的多种方法建立完整的预测模型。首先以粗糙集决策表一致性水平、区间平均信息熵、离散化程度等因素为离散化结果的评价标准;然后利用遗传算法全局、并行搜索的优点,以上面提到的3个因素作为启发信息对所有条件属性的割点集合进行最优搜索。得到离散化的数据后,用BP神经网络对数据进行分类学习。最终网络学习训练后对企业财务状况进行了预测,实验结果表明：系统的预测正确率达93％。