基于灰色神经网络模型的企业碳排放峰值预测

为预测企业碳排放峰值,帮助企业设计碳排放的减排路径,需要对企业碳排放峰值预测方法进行研究;当前采用基于TFDI模型的预测模型对企业碳排放峰值进行预测,预测过程中无法全面考虑企业碳排放影响因素,导致预测企业碳排放峰值出现误差;为此,提出一种基于灰色神经网络模型的企业碳排放峰值预测模型;该模型是以灰色模型为基础,与神经网络相融合构建的灰色神经网络,将模型中企业碳排放原数据进行叠加,并用微分方程表示,将VSTE算法作为灰色神经网络模型预测的基础算法,计算企业碳排放路径碳排放值,满足高斯分布随机函数,以此进行企业碳排放峰值的预测;实验结果证明,所提模型可以准确预测企业碳排放峰值,有效帮助企业设计碳排放减排路径。     

神经网络在企业安全库存管理中的应用

论文介绍了一种BP神经网络模型,能针对中小石化企业较好地解决了安全库存问题,同时也对生产优化有着一定帮助.文中首先介绍数据挖掘及其相关理论,重点阐述了BP神经网络模型,接下来详细地介绍了BP神经网络模型在具体的库存管理中模型的建立.     

TenrepNN：集成学习的新范式在企业自律性评价中的实践

为了应对互联网环境中企业自律性低、违规事件频发、政府监管困难的现状,提出一种针对企业自律性评价的双层集成残差预测神经网络（TenrepNN）模型,并融合Stacking和Bagging集成学习的思想提出一种集成学习的新范式Adjusting。TenrepNN模型具有两层结构：第1层使用3种基学习器初步预测企业评分;第2层采用残差修正的思想,提出残差预测神经网络以预测每个基学习器的输出偏差。最后,将偏差与基学习器评分相加得到最终输出。在企业自律性评价数据集上,相较于传统的神经网络,TenrepNN模型的均方根误差（RMSE）降低了2.7%,企业自律性等级分类准确率达到了94.51%。实验结果表明,TenrepNN模型集成不同的基学习器降低预测方差,并使用残差预测神经网络显式地降低偏差,从而能够准确评价企业自律性以实现差异化的动态监管。     

基于GA—BP 神经网络的建筑安全评价

建筑企业的安全问题不仅关系到建筑行业的发展,而且关系到社会的和谐与进步。从管理者的视角构建了建筑企业安全管理评价指标体系,并对指标之间的关系做了简要的说明。然后应用主成份分析对神经网络的输入数据进行预处理,提取其中的关键成分作为网络的输入,并采用遗传算法来提高神经网络的收敛速度。晟后以天津市建筑企业为实例加以说明并进行了分析。结果表明,建立的模型不仅较公平、合理,而且提高了神经网络模型的学习效率。     

第三方网上支付企业核心竞争力评价

通过对网上支付行业环境、产业链和主要企业的分析,构建了具有14个评价指标的第三方网上支付企业核心竞争力评价指标体系。设计了BP神经网络模型,选择了6家样本企业进行训练、3家企业进行测试,并运用BP神经网络模型定量识别第三方网上支付企业核心竞争力强弱。研究表明:BP评价模型与传统的线性评价模型相比,具有更高的动态性和自学习性,评价结果误差小,精度高,能充分反映第三方网上支付企业核心竞争力的真实状况,为第三方网上支付企业核心竞争力的打造提供了基准,同时对第三方网上支付企业核心竞争力进行定量评价开辟了一条新途径。     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

基于多变量神经网络模型的菜品销量预测

随着互联网技术的发展,人们进入了数字化和智能化的“互联网共享”时代。餐饮企业越来越重视利用数据指引企业理性发展,而餐饮业菜品库存过多或过少会直接影响企业的成本与净利润,因此能够精准预测菜品销量有利于降低餐饮企业的生产成本和提高净利润。为了减少采购菜品的浪费和保持菜品的新鲜度,提出了多变量神经网络模型,并利用该模型预测陕西省某餐饮企业近两年的销量数据。结果表明,多变量长短时记忆神经网络模型(Multivariable Long Short-Term Memory,Multi-LSTM)的预测精度明显优于季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)和时间序列与神经网络组合模型,且略优于单变量长短时记忆神经网络模型(Sing le-var iable Long Short-Term Memory,Single-LSTM)。     

科技企业人才孵化效率的S-FNN评价研究及应用

为科学测评科技企业孵化器的人才孵化效率,提出科技企业人才孵化效率S-FNN评价模型。在研究科技企业人才孵化基本过程的基础上,构建了科技企业人才孵化效率评价指标体系;运用模糊减聚类法对网络规则进行处理,减少神经网络规则数目,以免参数膨胀导致网络难以训练,采用粒子群与遗传算法确定模糊网络参数值;运用模糊神经网络对科技企业人才孵化效率进行综合评价;通过应用案例验证了该评价模型的有效性和可行性。     

基于Hopfield神经网络的企业竞争力评价模型

在专家评价数据基础上,针对企业竞争力评价的非线性特征以及竟争力评估体系中存在的诸多非定量因素,建立企业竞争力评价的Hopfield神经网络模型。评价模型可以根据专家打分对已有评价体系中的主观性因素进行量化,并利用神经网络的联想与记忆功能进行量化评价的计算。该模型较已有的评价体系具有更高的计算效率。利用Hopfield神经网络进行企业竞争力评价的方法可操作性强,可以克服传统评价方法主观性过强的缺点,具有较广泛的实用性。     

基于Levenberg-Marquardt神经网络的企业资信评估方法研究

企业资信评估问题是一个复杂的非线性问题,而神经网络技术可实现非线性关系的隐式表达。文章提出将基于Levenberg-Marquardt算法的多层前馈型神经网络用于资信评估,并通过MATLAB软件及其神经网络工具对其进行仿真计算。实验结果表明,企业资信神经网络评估模型收敛速度快,准确率较高,具有一定的实用价值。     

基于反向传播神经网络的失流故障智能识别研究

为解决传统方法识别主网电流失流故障准确率低的问题,本文提出了一种基于反向传播神经网络的失流故障智能识别方法。本文利用反向传播的神经网络算法,通过梯度下降的方式反向修正各层权值,使网络输出误差达到可以接受的程度,从而达到对失流故障识别具有很好的自学习自适应能力的目的。首先根据对主网失流故障特征的研究,将失流故障分为持续失流与断续失流两种,构造对应指标,综合所有指标构建失流故障特征提取体系,最后建立反向神经网络来拟合失流故障提取体系。对数据进行识别,建立专家样本库,利用反向神经网络进行离线训练,训练完成后固定权值用于失流故障识别,从而准确输出失流故障事件。经实例验证,所提方法在识别准确率和识别效率优于一般分类识别方法,可实现失流故障的就地识别。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

借重于人工知识库的词和义项的向量表示: 以HowNet为例

该文旨在以HowNet为例,探讨在表示学习模型中引入人工知识库的必要性和有效性。目前词向量多是通过构造神经网络模型,在大规模语料库上无监督训练得到,但这种框架面临两个问题: 一是低频词的词向量质量难以保证;二是多义词的义项向量无法获得。该文提出了融合HowNet和大规模语料库的义原向量学习神经网络模型,并以义原向量为桥梁,自动得到义项向量及完善词向量。初步的实验结果表明该模型能有效提升在词相似度和词义消歧任务上的性能,有助于低频词和多义词的处理。作者指出,借重于人工知识库的神经网络语言模型应该成为今后一段时期自然语言处理的研究重点之一。     

基于联合神经网络模型的中文医疗实体分类与关系抽取

近年来,医疗健康领域的实体分类与关系抽取引起了广泛关注。以往工作大多采用流水线模型,此类模型容易忽略任务间联系并造成错误传播,而联合学习则能够很好地避免这2个问题。为此,把卷积神经网络与支持向量机、条件随机场相结合,构建了联合神经网络模型。在此模型基础上,以参数共享的方式,分别通过任务联合、模型联合以及特征联合对实体分类与关系抽取2个任务进行联合学习,在药品说明书语料库中取得了非常不错的效果,实体分类和关系抽取的F值分别达到了98.0%和98.3%。实验表明,联合神经网络模型对于实体分类和关系抽取是非常有效的。     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

基于Matlab的自组织神经网络在油气层识别中的应用研究

介绍了自组织竞争网络和自组织影射网络的原理,对自组织竞争网络和自组织影射网络的优缺点进行了比较。采用大庆的油气层数据建立网络模型,对网络结构的参数进行了优化并对输入样本进行了聚类分析。数据分析表明自组织竞争网络和自组织影射网络都有较好的聚类结果,自组织竞争网络较自组织影射网络方法识别出的结果更客观可靠,是油气层识别的一种有效方法。     

基于Matlab和BP神经网络的角点检测方法研究

角点检测在图像匹配、形状描述、边缘检测中具有重要作用。鉴于神经网络所具有的自组织、自学习和分布式存储信息的特点,提出了一种基于神经网络的角点检测方法,利用Matlab神经网络工具箱建立角点检测模型,检测图像中的角点。实验证明,神经网络为计算机视觉中的角点检测提供了一个很好的工具。     

权值优化集成卷积神经网络及其在三维模型识别中的应用

三维模型应用广泛,如何有效地管理和分类这些数据库中的三维模型一直是人们 关注的问题。然而,由于不同三维模型之间的相似性难以测量,因而很难获得一种稳健且广泛 适用的三维模型分类算法。为此,提出了一种权值优化集成卷积神经网络(WOTCNN)模型,并 将其应用到三维模型的分类识别中。首先,获取三维模型的深度投影视图来最大限度地保留三维 模型的空间信息。然后,采用调整的 VGG 网络对各角度的深度投影图像进行训练并提取预测概 率值。最后,通过加权集成算法获得完整三维模型的最终分类结果。对 ModelNet10 及 ModelNet40 数据库的实验表明：三维模型的平均分类准确率达到 92.84%和 86.51%。在预测性能方面,该网 络优于普通的单卷积神经网络;在三维模型识别方面,其分类准确率能够得到显著提升。     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

基于Spiking神经网络的蛋白质二级结构学习预测模型

从氨基酸序列来预测蛋白质二级结构，是我们理解蛋白质结构和功能的重要一步。本文探讨了基于Spiking神经网络的蛋白质二级结构学习预测模型，利用单个神经网络进行学习取得的效果不明显，而利用级联神经网络，通过结构到结构的学习，能很好地提高学习准确率。