BP神经网络在地震预测中的应用研究

为了对未来地震趋势进行预测,提出一种BP神经网络预测方法。利用Matlab建立BP神经网络模型,并以滇西南地震数据为学习样本对网络模型进行了训练和仿真测试研究。研究结果表明,利用BP神经网络模型预报的地震震级与实际震级误差在8%以下,说明所建模型具有较好的适应性和预报精度。该方法对地震震级的预测具有一定的指导作用和参考价值。     

网络流量组合预测模型研究

研究优化网络管理系统,高精度的短期负载预测对提高网络性能和服务质量意义重大.为了解决各种传统的单一预测方法在网络流量预测中存在不能有效利用资源的问题,提出了一种BP神经网络最优组合的预测方法.将单一预测方法所得到的预测值作为BP神经网络的输入样本,相应历史流量数据的实际值作为样本的输出,经过样本训练达到期望精度,应用BP神经网络模型进行预测.仿真实验结果表明,新模型具有良好的预测效果,比传统的单一预测模型具有更高的预测精度和更好的自适应性.     

基于在线学习行为分析的个性化学习推荐

随着在线课程和线上学习的普及,大量的在线学习行为数据被积累。如何利用数据挖掘技术分析积累的大数据,从而为教学决策和学习优化提供服务,已经成为新的研究重点。文中分析了在线学习的行为特征,挖掘学习者的性格特征与学习效率的关系,实现个性化学习方法推荐。首先,提取在线学习行为特征,并提出了一种基于BP神经网络的学习成绩预测方法,通过分析在线学习行为特征,预测其相应的线下学习成绩;其次,为了进一步分析学习者的在线学习行为与成绩的关系,提出了基于实际熵的在线学习行为规律性分析,通过分析学习者的在线学习行为,定义并计算相应的实际熵值来评估个体的学习行为规律性,从而分析规律性与最终成绩的关系;再次,基于Felder-Silverman性格分类法获得学习者的性格特征,对学习者实现基于K-means的聚类分析获得相似学习者的类别,将学习成绩较优的学习者的在线学习习惯推荐给同一类别的其他学习者,从而提高学习者的在线学习效率;最终,以某在线课程平台的实际数据为实验对象,分别实现在线学习行为特征提取、线下成绩预测、学习规律性分析和个性化学习推荐,从而验证了所提方法的有效性和应用价值。     

基于BP神经网络的卫星故障诊断方法

为了有效地利用卫星下传的海量遥测数据,在测试过程中对卫星进行实时的故障诊断,提出了一种基于BP神经网络的卫星故障诊断方法;该方法包括离线自主学习和实时在线故障诊断两部分;离线自主学习部分基于历史数据库和更新样本进行自主学习,学习获得神经网络模型存储于知识库;实时在线故障诊断部分依据相应的神经网络模型,对遥测数据进行实时在线的诊断;为了验证基于BP神经网络的卫星故障诊断方法的有效性和优越性,以现有型号三轴稳定近地卫星控制分系统为实验对象,利用该方法对具有代表性的红外地球敏感器和动量轮的相关遥测数据进行分析;通过将该方法的实验结果与基于Kalman滤波的方法的实验结果进行对比分析,表明该方法能够有效地对卫星的故障进行诊断。     

基于神经网络的高校科研项目前景预测系统研究与设计

为了对高校科研项目前景进行有效预测,进一步提升科研成果转化率,本文提出了基于神经网络结合科研项目共享的网络平台,构建可靠的科研项目前景预测系统。通过将各类大量科研项目的特征参数化,利用BP(反向传播)神经网络的非线性映射能力、自适应能力和对离散数据的泛化能力生成模型后,用于从多维度对一个新项目生成可靠的前景预测。实验表明,BP神经网络算法在大量学习经过预处理的样本后所产生的预测结果是具有较高准确性的,且能够随着新的样本输入不断更新和适应,因此该方法具有较强的可行性。     

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。     

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。     

神经网络在石油价格预测中的仿真研究

在石油价格预测问题的研究中,石油价格预测与供求和经济政治有关.针对石油价格变化具有高度非线性、噪声和价格因子难以确定等特点,传统预测方法都是根据线性变化规律提出的,因此对石油价格预测精度低.为提高石油价格预测精度,提出一种主成分分析的BP神经网络石油价格预测模型.可通过定性分析获得石油价格变化影响因子,然后采用主成分分析消除数据中的噪声并选择重要影响因子,最后重要影响因子作为BP神经网络的输入,采用非线性预测能力强的神经网络对石油价格进行预测.实验结果表明,模型提高了石油价格预测精度,为石油价格预测提供了一种有效方法.     

布谷鸟搜索算法优化BP神经网络的网络流量预测

为了提高预测精度,提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction,CS-BPNN)。根据混沌理论建立网络流量学习样本,采用BP神经网络对学习样本进行训练,将模型参数当一个鸟巢,通过模拟布谷鸟寻窝产卵的行为找到最优模型参数,最后采用网络流量数据进行仿真实验,测试模型性能。仿真实验表明:所提出模型较好的解决了BP神经参数优化问题,能够获得更加理想的网络流量预测结果。     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于DAE-BP神经网络的工业质量预测

BP神经网络因具有良好的非线性拟合能力,在建立预测模型中得到广泛应用。但化工过程数据不仅存在非线性特征,而且难以避免受噪声影响,造成数据波动从而影响预测模型准确性。为此,提出一种降噪自编码器融合反向传播算法（简称为,DAE-BP）的化工过程质量预测方法。首先,采用无监督学习模型降噪自编码器完成初始数据的噪声消除,其具有噪声鲁棒性的特点,在数据受到损坏的情况下可尽可能地恢复数据的原始状态,有利于进一步的质量预测。在此基础上,将获取的数据特征作为有监督学习模型BP神经网络的输入以获得可靠的预测结果。在脱丁烷塔化工过程实例上验证方法有效性。并与单一BP算法、主成分分析(PCA)及自编码器(AE)改进的BP算法作为对照。结果表明,经过DAE改进后的BP算法预测误差为1.2%,相比单一的BP算法提高了3.2%精度,较PCA-BP及AE-BP预测误差精度分别提高了2.3%、1.9%,表现出最好的预测性能。     

基于即时学习策略的火电厂球磨机负荷软测量

针对电厂球磨机负荷难以进行有效预测的问题,从提高预测模型在线自适应能力的角度出发,提出一种基于即时学习策略的改进SVM建模方法。利用灰色关联分析方法对过程参数进行优化筛选,获得辅助变量;在即时学习策略建模框架下,采用多种群混合优化算法进行SVM预测模型参数的优化选取;基于电厂实际运行数据进行了仿真研究。仿真实验表明,与标准BP神经网络和SVM建模方法的比较,该算法具有更好的预测性能,虽然计算开销有所增加,但能够满足制粉系统球磨机负荷检测的实时性要求。     

基于改进极端学习机的网络流量预测

为了提高网络流量的预测精度,针对极端学习机的训练样本选择问题,提出一种改进极端学习机的网络流量预测模型（IELM）。根据最优延迟时间和嵌入维数对网络流量重构,建立网络学习样本,将学习样本输入到改进极端学习机进行训练,随新样本加入而逐步求解网络的权值,以提高学习速度,引入cholesky分解方法提高模型的泛化能力,采用具体网络流量数据进行了仿真测试。结果表明,IELM不仅可以获得较传统网络流量预测模型更高的精度,并且大幅度减少了计算时间,提高了建模效率,可以较好地满足网络流量预测要求。     

大学英语诊断性练习系统中诊断性评价模型研究

在线学习系统中没有教师对学习者学习状态进行评价,大多需要学习者自主设定学习策略、调整学习步伐,这导致了学习者缺乏个性化的指导,使得部分学习者的学习效率不高.为了解决这个问题,本文在大学英语诊断性练习系统中提出了诊断性评价模型.该模型使用大量实际数据,从学习状态、题型关联分析、知识点关联分析和四级成绩预测这四个角度进行数据分析,并使用S-P表分析法、数据挖掘和机器学习等分别建模,最终将这四个模型结合得到了诊断性评价模型,并在大学英语诊断性练习系统中进行实现.实验结果表明,诊断性评价模型可以有效辅助学习者进行练习,提高四级成绩.     

基于短文本情感增强的在线学习者成绩预测方法

当前利用短文本情感信息进行在线学习成绩预测的研究存在以下问题: 1)当前情感分类模型无法有效适应在线学习社区的短文本特征, 分类效果较差; 2)利用短文本情感信息定量预测在线学习成绩的研究在准确性上还有较大的提升空间. 针对以上问题, 本文提出了一种短文本情感增强的成绩预测方法. 首先, 从单词和句子层面建模短文本语义, 并提出基于学习者特征的注意力机制以识别不同学习者的语言表达特点, 得到情感概率分布向量; 其次, 将情感信息与统计、学习行为信息相融合, 并基于长短时记忆网络建模学习者的学习状态; 最后, 基于学习状态预测学习者成绩. 在三种不同类别课程组成的真实数据集上进行了实验, 结果表明本文方法能有效对学习社区短文本进行情感分类, 且能够提升在线学习者成绩预测的准确性. 同时, 结合实例分析说明了情感信息、学习状态与成绩之间的关联.     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

污水处理过程COD指标集成软测量模型

针对污水处理过程中水质参数COD指标难以在线检测的问题,提出一种基于分布式改进BP神经网络和灰色预测的COD指标集成软测量模型。为反映污水处理过程的不同工况,采用满意聚类算法对数据样本进行聚类处理,将数据样本划分为若干个子样本集,利用改进BP神经网络方法分别为每个子样本集建立预测模型,计算当前输入数据与各个聚类中心的欧式距离,将欧式距离较小的部分预测模型的输出进行综合,得到分布式神经网络的COD指标预估值;为反映COD指标的时间相关性,基于COD指标历史数据采用改进灰色预测建模方法计算得到当前时刻COD指标的预估值;采用动态加权方法将获得两个COD指标预估值进行加权集成。仿真实验表明,集成软测量模型具有较好的预测性能,可以满足污水处理过程COD指标实时检测的精度要求。     

小样本下多维指标融合的电商产品销量预测

为突破传统预测方法在小样本数据下电商产品销量预测中精度较低的局限，开展基于集成学习Xgboost的预测模型研究。综合考虑影响电商产品销量的多维指标，包括：在线搜索、在线评论、页面访问、库存与订购量、情绪指数等并利用熵值法融合同类指标。应用Logistic函数和正则修正项，结合贪心算法划分子树，构建基于集成学习Xgboost的电商产品销量预测模型。针对京东商城的联想zuk z2手机产品进行模型检验，并与BP神经网络、SVM支持向量机、BP-SVM组合预测三个模型进行对比，发现融合多维指标的Xgboost预测模型的精度显著提高，为小样本数据下电商产品销量预测提供方法和思路。     

基于多维信息特征映射模型的在线学习路径优化方法

针对目前在线学习路径优化方法存在学习路径与学习者匹配度不高的问题,首先构建在线学习路径的多维信息特征映射模型(MIFMM),该模型根据学习者与学习资源的多维信息特征建立,融合了kolb学习风格和学习资源类型信息;然后设计双映射二进制粒子群优化算法(DMBPSO),DMBPSO算法根据进化因子ef将学习路径推荐过程分为收敛和跳出局部最优两种进化状态,采用与进化状态特征相匹配的映射函数选择策略,并对惯性权重进行动态非线性调整,提高学习路径推荐性能;接着将MIFMM模型与DMBPSO算法相融合提出基于多维信息特征映射模型的在线学习路径优化方法(MIFMM-POA);最后将MIFMM-POA方法与其他4种粒子群算法为核心的学习路径优化方法相比较,从寻优精度、寻优过程与寻优时间3个角度进行分析,实验表明MIFMM-POA方法是优化学习路径的有效方法.     

基于改进的深度置信网络的电离层F2层临界频率预测

随着深度学习理论的日趋成熟,针对各种场合的实际应用逐渐成为研究的焦点。本文提出一种基于深度置信网络（Deep Belief Network,DBN）对本区域未来24h的电离层临界频率foF2进行预测的方法。首先,对选取的数据集进行处理,生成用于训练和测试的数据集,其次改进DBN网络基本单元的结构,以适应对连续型数据特征的提取与学习,再通过试验的方式确定DBN网络基本结构,最后利用训练数据集对改进后的网络进行训练,实现对 foF2值的预测。与实测值相比较,改进的DBN网络具有极佳的预测准确性,与浅层结构BP网络和SVM网络相比,改进的DBN网络不但克服了浅层结构所固有的问题,而且也表现出更加优异的对于连续型数据的预测性能,尤其是当预测值受到高维复杂因素影响时改进的DBN模型依旧能表现出很好的预测性能。