基于BP神经网络与灰色关联的黄金期货价格预测

针对我国黄金期货价格预测问题,对影响我国黄金期货价格的5项指标进行灰色关联度分析,得出我国黄金期货价格与美国黄金期货价格之间的关联度最高.建立反向传播(BP)神经网络模型对我国黄金期货价格预测,并与GM(1,1)方法和ARIMA(0,2,1)模型下的预测结果进行对比.结果显示:与后两个模型相比,BP神经网络模型在黄金期货价格预测方面的精确性更高,具有较好的实用价值.     

基于神经网络的清淤工程预警模型研究

港口淤积受多方面因素的交互影响,极其复杂.基于误差反传播算法(BP算法)的多层前向神经网络理论,以Matlab6.5为开发平台,在分析与港口淤积相关的海量数据的基础上,建立了港口清淤工程预警模型,从而达到更有效指导港口清淤工程的目的.     

基于GA-BP神经网络的砌体结构拆除造价预测

精准快速地进行造价预测对于拆除工程的招投标决策具有重要意义.我国目前待拆除建筑物多为砌体结构.为寻求砌体结构拆除工程造价的高效预测方法,本文首先分析了反向传播(BP)神经网络和遗传算法(GA)的优势和缺点.通过利用GA的全局搜索最优性能,调节BP神经网络的权值阈值,改善BP神经网络容易陷入局部最小值且收敛速度慢的缺点,提出了优化砌体结构拆除工程造价的预测模型.针对拆除工程的特点,选取8个主要参数,利用50组样本数据进行训练预测.结果表明,优化后的预测模型具有较好的泛化能力和良好的稳定性,可为砌体结构拆除工程造价预测方面提供参考.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于执行依赖启发式动态规划的船舶减摇鳍在线最优控制

针对船舶线性横摇系统,设计了一种基于执行依赖启发式动态规划(ADHDP)方法的在线学习最优减摇鳍控制器.在设计过程中直接使用输入输出数据获取系统状态值.利用评价网络来逼近针对船舶减摇鳍控制系统设计的性能指标函数,并通过执行网络获得最优控制律,这两个网络都是多层前馈神经网络,即反向传播(BP)神经网络.在训练过程中,这两个神经网络不仅可以使用实时测量数据,也可以减少船舶横摇模型的内部误差和不确定性干扰的影响,从而提高系统的鲁棒性.最后,仿真结果表明所提出的ADHDP控制器对于降低船舶横摇有很好的控制效果.     

基于MB栅格回波强度和改进BPNN的底质分类

提出了基于多波束栅格图像和改进神经网络的底质分类方法,研究了多波束栅格回波强度的提取方式和改进的反向传播(BP)神经网络.论述了波束脚印包络内以采样数量进行等角度栅格分配获取回波强度所在位置序列值,并在传统BP神经网络基础上附加动量因子和自适应学习率,同时为激活函数添加斜率和偏置可随误差信号进行修正.改进的BP神经网络不仅可以提高神经元的自适应能力,而且可以明显加快算法的收敛速度.利用提出的方法进行底质分类,实验结果表明,提出的方法显著提高了海底底质分类的分辨率和精度.     

基于改进BP神经网络算法的多指标综合评价方法的应用研究

研究利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，以建设工程项目招标评标为背景，建立了多指标综合评价的BP模型，引入附加动量法和变步长算法，对BP神经网络算法改造，大大提高了学习训练速度，运用这种神经网络来解决实际问题，并给出了结果．     

基于ANN的糖厂蒸发工段的建模

研究了人工神经网络技术在糖厂多效蒸发过程建模中应用的可行性,采用误差反向传播网络(BP网)建立了一效、二效汁汽压力P1、P2和出口糖浆的锤度C5之间的两输入单输出神经网络模型,借助MATLAB7.0加以实现.仿真试验证明了该模型的有效性,并为进一步实现多效蒸发过程的智能控制奠定了基础.     

基于APSO-BP耦合算法的岩体力学参数反馈研究

提出了基于自适应粒子群优化(APSO)与误差反向传播(BP)神经网络耦合反馈分析模型(APSO-BP).模型实现对网络结构、权重、阈值的同时优化,借助自适应粒子群算法全局优化能力强、收敛速度快的特点,提高了模型运算效率.采用Schaffer基准函数对该模型和传统遗传算法、BP神经网络、粒子群与BP神经网络组合算法进行测试对比.结果表明该模型更为优越.应用该模型对索风营水电站地下岩体力学参数进行反馈分析,计算位移值与实测值吻合较好,平均误差0.22 mm.     

基于遗传算法优化神经网络的定位算法

为了减小非视距(Non Line of Sight,NLOS)误差对移动台定位精度的影响,提出一种基于遗传优化后向传播(Back Propagation,BP)神经网络的无线定位算法。先利用遗传算法优化BP神经网络的初始权值,再利用优化后的GA-BP神经网络修正到达时间差(Time Difference Of Arrival,TDOA)测量值,最后使用Chan氏算法确定移动台的位置,以避免由于神经网络初始权值的随机性所带来的网络震荡,克服网络容易陷入局部解的问题。仿真结果表明,新算法能够实现移动台的静态定位,并且性能优于传统BP神经网络与最小二乘(Least Square,LS)算法。     

推荐系统中分布式混合协同过滤方法

传统协同过滤方法面临数据稀疏问题,稀疏的用户-项目关联数据将产生不准确的相似用户或项目,为了改善推荐质量,提出一种基于Map Reduce的混合协同过滤方法.该方法利用用户特征和用户-项目评分数据构造项目偏好向量,然后使用模糊K-Means算法对项目进行聚类,并从每个项目簇中选择相似项目,最后组合所有项目簇的预测结果作出推荐.实验结果显示,该方法能缓解数据稀疏问题,改善推荐精度.     

一种引入加权异构信息的改进协同过滤推荐算法

协同过滤作为当前应用最成功的推荐技术之一,其推荐质量在很大程度上取决于近邻用户选取的准确性,而数据的稀疏性问题（sparsity）和相似度度量方式（similarity metrics）严重影响着最近邻的选择。该文提出了一种引入加权异构信息的改进协同过滤算法。首先利用异构网络中丰富的语义信息和边属性信息,得到用户之间基于不同元路径的相似度;然后将相似度分别应用到典型的基于用户的协同过滤推荐算法中,得到基于每个相似度的用户评分值;最后采用监督学习算法为每个打分值分配不同的权重,融合为用户最终评分。在扩展MovieLens经典数据集上的实验结果表明,本文所提算法在精确度上较传统算法有显著提高。     

基于双重阈值近邻查找的协同过滤算法

为了提高协同过滤算法的推荐精度,从协同过滤算法中近邻用户／项目组的选择人手,提出基于双重阈值近邻查找的协同过滤算法。该算法能充分利用现有的稀疏用户项目评分矩阵,找出与目标用户相关性较强,且能参与到评分预测过程中的候选用户。实验结果表明,该算法相比传统的协同过滤算法及部分改进算法,其推荐精度有一定提高,对实际应用具有一定的参考价值。     

基于用户兴趣评分填充的改进混合推荐方法

针对传统协同过滤推荐方法中的用户项目评分数据稀疏和推荐准确度不高的问题,提出了一种基于用户兴趣评分填充的改进混合推荐方法。首先,分析用户对项目类型的偏好,计算用户兴趣评分并进行矩阵填充;然后,考虑用户主观评分差异化及项目自身质量的影响,对传统皮尔逊相关系数进行改进,并基于已填充评分矩阵进行用户相似性及项目相似性计算;在此基础上分别基于用户和项目两个方面进行评分预测,并将两者的预测评分进行加权求和,进而进行混合推荐;最后,以Movielens100k为数据集进行实验,先分析了用户兴趣评分矩阵的填充效果,再将文中方法和传统协同过滤混合推荐方法以及文献中提出方法进行了对比分析。实验结果表明;提出的评分矩阵填充方法能有效缓解数据稀疏的影响,填充效果优于传统评分矩阵填充方法;提出的改进混合推荐方法（IHRIRF）比传统的混合协同过滤推荐方法HCFR及WPCC方法具有更好地推荐效果。     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

基于近邻传播聚类的混合推荐系统

协同过滤技术是推荐系统最具价值的核心技术之一,它能够深入地挖掘用户潜在的兴趣爱好并向用户做出比较合理的推荐;但是冷启动、数据稀疏性、可扩展性等问题依然制约该技术在实际推荐系统的应用。针对冷启动和数据稀疏性等问题,文章提出了一个基于近邻传播聚类的混合协同过滤推荐模型。该模型首先基于物品的标签属性进行聚类,挖掘出同类的物品并计算相似物品之间的关联程度,然后基于历史交互数据计算物品的相似度矩阵,最后按照一定权重混合构成一个物品相似度,并以此为用户进行推荐。与传统协同过滤推荐模型相比,该模型不仅提高了推荐精确度,而且改善了物品的召回率,能为用户提供更好的推荐体验。     

基于客户顾目的聚类协同过滤组合推荐算法研究

通过分析传统协同过滤存在的稀疏性、冷启动及实时性问题的根源后,提出一种改进的基于客户颅目的聚类协同过滤组合推荐算法;算法通过运用聚类技术和基于用户的协同过滤算法来预测计算邻居用户,并给出未评分的目标项目的最终预测评分以得到推荐列表,弥补协同过滤推荐在新项目推荐方面的不足的同时稀疏问题也迎刃而解;在预测评分中增加时间权重...     

融合项目聚类和时间权重的动态协同过滤算法

传统基于项目的协同过滤算法离线计算项目间的相似度,提高了向用户推荐的速度,但极大的数据稀疏度影响了推荐质量,且该算法也忽略了用户兴趣随时间变化这一现象. 针对上述问题,提出了一种融合项目聚类和时间权重的动态协同过滤算法,根据用户偏好对项目进行聚类,找出类别偏好相似的候选邻居,再在候选邻居中搜寻最近邻,排除与目标项目共同评分较少的项目干扰,提高了搜寻相似项目的准确性. 同时,引入时间权重来反映用户兴趣随时间的变化,从整体上提高推荐质量. 在MovieLens数据集上进行实验,实验结果表明,本文所提出算法的推荐质量较传统的协同过滤算法有显著提高.     

基于门控循环单元与主动学习的协同过滤推荐算法

针对传统协同过滤推荐算法存在无法反映用户短时兴趣的问题,提出一种基于门控循环单元(gated recurrent unit, GRU)神经网络与主动学习的协同过滤推荐算法。在采用GRU神经网络的基础上,将数据进行时序化处理,反映用户兴趣变化,并利用主动学习动态采样数据中的高质量的数据进行GRU神经网络的训练,使模型快速建立。在MovieLens1M数据集上的试验结果表明:加入主动学习的GRU模型的推荐算法比基于用户的协同过滤推荐算法(user-based collaborative filtering, UCF)、基于马尔科夫模型的协同过滤推荐算法(markov chain, MC)、基于隐语义模型的协同过滤推荐算法(latent factor model, LFM)算法有更高的短时预测率、召回率、项目覆盖率以及用户覆盖数,能够有效预测用户短时兴趣,提升精度,发掘长尾物品,且与原始GRU模型相比能够以更少的迭代次数达到相同效果。     

初始聚类中心优化的K-均值项目聚类推荐算法

针对协同过滤推荐系统存在的数据稀疏性和扩展性差问题,提出了初始聚类中心优化的K-均值项目聚类推荐算法。该算法首先采用SlopeOne方法对评分矩阵预测填充来缓解数据稀疏性,然后采用初始聚类中心优化的K-均值算法对项目进行聚类,将相似度高的项目聚到同一个类中,最后根据目标项目所在的聚类搜索其最近邻并产生推荐。实验结果表明,该算法有效改善了数据的稀疏性和扩展性,提高了推荐质量。