粒子群算法优化的BP网络预测软件质量

预测软件质量的技术中,软件建模技术是软件质量评价体系中的关键技术,它可以发现软件中度量数据和软件质量要素之间的非线性关系。BP神经网络能够很好地模拟度量数据和质量要素之间的非线性关系,但是BP网络存在易于陷入局部极小和收敛速度慢的问题,所以提出了用粒子群算法优化BP神经网络,通过优化的BP网络建立软件质量模型,这样能很好地解决BP网络收敛速度慢和局部极小的问题。在实现该进化BP神经网络的基础上,利用28组数据进行实验,并通过与BP模型的结果的比较,验证了该模型。     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

网络时延预测研究

网络时间延迟是影响网络控制系统性能的一个主要因素,提前知道网络时延对提升网络控制系统的性能有一定的重要作用,网络时延预测准确度的高低直接影响到网络控制系统性能,为了更好的预测数据在网络上传输的时间延迟,满足网络控制系统需要,该文针对互联网中网络时延的预测问题进行了分析,分别用AR模型和Elman神经网络预测网络时延,通过仿真表明,平稳时延的预测AR模型要稍好,但扰动时延的预测Elman神经网络预测准确度及自适应性优于AR模型。     

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

超短期汇率的预测研究

提出了一种适合超短期汇率预测的模型方法。实验数据通过网络获取,模型采用的是相空间重构与卡尔曼滤波计算的方法来对超短期汇率数据进行建模和预测，并与BP神经网络模型进行了比较。实验结果表明,所建立的模型方法能很好地跟踪即时汇率变化趋势,预测精度比较高，且算法运行速度比BP神经网络模型快得多。最后，给出了在.NET环境下实现了汇率在线预测的全部过程。     

基于BP网的ATM带宽动态分配设计

阐述了利用神经网络预测由连续自动回归（AR）马尔可夫模型所代表的可变位速率通信流量（VBR）；在这一理论的基础上，介绍一个BP神经网络模型，它是采用拆分组装方法来构造一个学习结果达到均方根误差全局最小点的BP神经网络，该方法能有效克服局部极小点，缩短学习时间和减小学习难度；该BP神经网络能精确地预测VBR通信流量，从而实现ATM带宽动态分配。     

CRH2型动车组列车信息传输网络流量建模与预测

针对CRH2型动车组列车网络流量数据日益复杂的特性,提出了一种将主成分分析法(PCA)与后馈神经网络(BP网络)相结合的网络流量建模预测思路。基于已搭建好的CRH2型列车通信仿真平台,对该仿真网络各条链路进行流量采集。为了降低分析的复杂度,流量数据先进行PCA降维预处理分析,再将数据输入到BP神经预测网络模型进行仿真预测。经验证,该思路能有效拟合列车主体网络流量的变化趋势,为CRH2型动车组通信网络的故障诊断分析提供了一定的参考。     

遗传算法和BP网络在电池电量预测中的研究

蓄电池剩余容量为汽车可持续行进提供有力的判据，所以，对它的准确估计有重要的意义。该文在BP网络的基础上采用一种组合方法对荷电状态进行预测；并利用BP网络学习能力与泛化能力满足的不确定关系确定隐层节点数；利用遗传算法，确定初始权值和阀值，使网络的初始条件得到优化，使神经具有更好的收敛速度和收敛质量；通过实验表明网络不仅收敛速度快，而且易达到最优解，证明网络对MH—Ni电池剩余电量的预测是有效的。     

BP神经网络在脑电图信号预测中的应用

由于EEG和BEAM的无创、低成本、能反映大脑病变部位的机能变化等特点,为了预测大脑疾病发生的可能性。设计了一个3层BP网络,并建立了相应的数学模型,以所记录数据中的一部分作为样本,利用Matlab的神经网络工具箱中的算法和函数,对上述神经网络进行训练、仿真、并预测另一部分数据,同时作出待预测数据和预测数据的脑电地形图,进行比较,验证了BP网络模型的有效性。其算法可开发出程序模块,集成到相关脑电图仪的软件系统中。     

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。     

融合提升小波降噪和LSSVM的网络流量在线预测

针对网络流量数据被噪声污染而无法进行准确建模与预测的问题,将提升小波降噪(LWD)技术和在线最小二乘支持向量机(LSSVM)相结合,提出了一种网络流量的集成式在线预测方法。该方法首先对采集的流量数据进行降噪,然后采用相空间重构理论计算流量的时延、嵌入维数,据此确定训练样本并建立在线预测模型,对网络流量数据进行预测。实验结果表明,该方法能有效滤除流量噪声,实现在线预测,提高预测精度。     

AdaBoost_BP神经网络在铁路货运量预测中的应用

为提高BP神经网络预测模型的预测准确性,将AdaBoost算法和BP神经网络相结合,提出了一种AdaBoost_BP神经网络预测模型。将该预测模型应用于我国1999年—2009年铁路货运量的历史统计数据,进行有效性验证,结果表明该模型对铁路货运量预测是有效、可靠的,且具有较高的预测精度,可应用于实际预测。     

An on-line wastewater quality predication system based on a time-delay neural network

The biological treatment process in a wastewater treatment system is a very complex process. The efficiency of the treatment is usually measured by laboratory tests, which typically take five days. In this paper, a time-delay neural network (TDNN) modeling method is proposed for predicting the treatment results. As the first step, a sensitivity analysis performed on a multi-layer perceptron (MLP) network model is used to reduce the input dimensions of the model. Then a TDNN model is further used to improve the performance of the original MLP network model. Subsequently, an on-line prediction and model-updating strategy is proposed and implemented. Simulations using industrial process data show that the prediction accuracy can be improved by the on-line model updating.     

基于贝叶斯网络的煤与瓦斯突出预测研究

贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一。为了正确预测煤与瓦斯突出的危险性,提出了一种基于贝叶斯网络的煤与瓦斯突出预测方法。在综合影响煤与瓦斯突出的因素和领域专家知识的基础上建立了网络结构,通过对先验知识和样本数据的学习,实现了煤与瓦斯突出的预测,取得了较好的效果。实验表明,该模型网络学习速度快,准确性高,是一种有效的煤与瓦斯突出危险性预测方法。     

针对设备端口链路的LSTM网络流量预测与链路拥塞方案

针对设备端口链路流量,提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量;第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法,构建两种具有不同网络结构的流量预测模型。实验结果表明,前者在处理平稳变化的流量时能够达到极高的预测精度,后者在处理非平稳流量时具有明显优于SVR模型、BP神经网络模型的预测效果。在第二种预测模型的基础上,提出了参数可调的链路拥塞预警方案,实验证明该方案具有一定的可行性。     

LM-BP神经网络在大坝变形预测中的应用

为了对大坝进行切实有效的监控,需要建立一个良好的大坝预测模型。针对传统BP(Back-Propagation)神经网络存在的收敛速度慢和泛化能力弱等缺陷,利用LM-BP(Levenberg Marquardt Back Propagation)算法对大坝变形进行预测,并根据丹江口大坝1996和1997两年的变形观测数据,对大坝挠度预测结果进行分析。结果表明,所建立的LM-BP神经网络的预测精度和收敛速度明显提高。     

基于残差空洞卷积神经网络的网络安全实体识别方法

近年来,网络安全威胁日益增多,数据驱动的安全智能分析成为网络安全领域研究的热点。特别是以知识图谱为代表的人工智能技术可为多源异构威胁情报数据中的复杂网络攻击检测和未知网络攻击检测提供支撑。网络安全实体识别是威胁情报知识图谱构建的基础。开放网络文本数据中的安全实体构成非常复杂,导致传统的深度学习方法难以准确识别。在BERT（pre-training of deep bidirectional transformers）预训练语言模型的基础上,提出一种基于残差空洞卷积神经网络和条件随机场的网络安全实体识别模型 BERT-RDCNN-CRF。通过BERT模型训练字符级特征向量表示,结合残差卷积与空洞神经网络模型有效提取安全实体的重要特征,最后通过CRF获得每一个字符的BIO标注。在所构建的大规模网络安全实体标注数据集上的实验表明,所提方法取得了比LSTM-CRF模型、BiLSTM-CRF模型和传统的实体识别模型更好的效果。     

改进支持向量机的网络流量预测

支持向量机具有良好的非线性建模能力,其参数对网络流量预测结果有直接影响,为了解决支持向量机的参数确定的难问题,根据杂草算法的优势,提出了改进支持向量机的网络流量预测模型.首先收集大量网络数量原始数据,将支持向量机参数作为杂草种子,然后模拟杂草的生存、繁殖过程搜索最优参数寻优,建立网络流量预测模型,最后采用具体网络流量数据测试模型的可行性.结果表明,该模型不仅得到了高精度的网络流量预测结果,而且可以应用网络流量管理中.     

基于遗传神经网络的相似重复记录检测方法

为了有效解决数据清洗领域中相似重复记录的检测问题,提出了一种基于遗传神经网络的相似重复记录检测方法.该方法计算两条记录对应字段间的相似度,构建基于神经网络的检测模型,利用遗传算法对网络模型的权值进行优化,使用遗传神经网络组合多个字段上的相似度来检测相似重复记录.在不同领域数据集上的测试结果表明,该方法能够提高相似重复记录检测的准确率和检测精度.