基于GA-BP神经网络的胎儿体重预测分析

胎儿体重是判断胎儿发育、保障孕产妇安全的重要指标,但是胎儿体重无法直接测得,只能根据孕妇体检数据进行预测.提出了一种基于遗传算法优化BP神经网络（GA-BPNN）的胎儿体重预测模型,首先采用回归模型和特征归一化预处理得到的历史体检数据建立孕妇连续体重变化模型,然后利用遗传算法（Genetic Algorithm,GA）优化BP神经网络的初始权值和阈值,建立胎儿体重预测模型.从我国东部某医院2016年孕产妇中随机抽取3000例样本数据,将本文的模型与基于传统BP神经网络（BPNN）的预测模型进行比较,实验结果表明,本文提出的GA-BPNN胎儿体重预测模型不仅加快了模型的收敛速度,而且将胎儿体重预测精度提高了14%.     

基于蚁群聚类算法的胎儿体重预测

产前准确估计胎儿体重在产科临床中具有非常重要的意义。文章提出了基于蚁群聚类算法估测胎儿体重的方法,试图探索孕妇身高、体重、双顶径、股骨长度等与胎儿体重的关系。以孕妇身高、体重、宫高、腹围、双项径、股骨长、羊水池的深度等综合数据建立模型,通过对100例临床资料的预测,正确率为89％,对巨大儿以及低体重儿的正确率为88％。此预测结果表明,蚁群聚类算法预测胎儿体重的方法具有一定的可行性。     

基于改进神经网络的混凝土碳化深度预测

在分析了BP神经网络预测模型的基础上,提出用模拟退火算法代替局部梯度下降法用来修正网络权值,从而避免了人工神经网络收敛速度慢、容易陷入局部极小值的缺陷。根据已有碳化深度实测资料,选定预测模型进行理论输出值计算,以及用NN算法和SANN算法分别对其进行实验仿真训练得到三种输出值与实测值进行对比,结果表明,SANN算法的训练收敛速度更快,预测的数据精度更高。说明了该方法在混凝土碳化深度预测应用中的有效性。     

基于长短期记忆神经网络的每日股票价格预测

股票价格预测一直是人们关注的焦点之一。针对每日股票预测存在的问题,本文提出一种基于长短期记忆神经网络的方法来预测每日股票的最高价与最低价,通过使用Python编程语言构建长短期记忆神经网络模型,并对2000—2020年上海证券、深圳证券的股票数据进行预测。实验结果表明,采用长短期记忆神经网络能够很好地拟合每日股价的波动趋势,具有较高的准确率。     

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。     

基于深度神经网络的医院门诊量预测

为了有效地预测医院门诊量,充分考虑历史门诊量数据和工作日天数之间的关系,提出一种应用深度神经网络预测方法,深度神经网络模型由RBM层和预测层组成,采用无监督学习算法预训练网络参数,引入残差结构使输入信息跨层传输,利用反向学习算法微调网络参数,进而获取优化后的深度神经网络预测模型.实验结果表明,深度神经网络模型经过2层R...     

基于连续型深度置信神经网络的软件可靠性预测

为了提高软件可靠性智能预测的精度,采用连续型深度置信神经网络算法用于软件可靠性预测.首先提取影响软件可靠性的核心要素样本,并获取样本要素的关键特征;然后建立连续型深度置信神经网络(Deep Belief Network,DBN)的软件可靠性预测模型,输入待预测样本,通过多个受限波尔兹曼机(Restricted Bolt...     

基于Koopman算子的深度神经网络风电功率预测

本文提出了一种基于Koopman算子和深度神经网络模型的风电功率预测方法,通过结合Koopman算子和深度神经网络模型,该方法能描述非线性动力学系统的演化,学习系统的特征和规律,提高预测效果的准确性。实验结果表明,与传统方法相比,该方法在预测风电功率方面具有更好的性能、更高的预测精度和更可靠的预测结果,可更准确地预测风电功率,从而提高风电系统的运行效率和可靠性。     

基于混合深度神经网络的大气污染预测

城市空气污染物分布受各种因素的影响,准确预测空气污染物分布情况可以提高环境管理的决策能力,防止严重空气污染事件的发生。基于大量的气象数据和深度学习技术,笔者提出了一种新的大气污染物浓度预测方法。该方法使用卷积神经网络作为基础层的设计,可自动提取输入数据的特征。输出层运用一个长短时记忆网络,以保证时间依赖性。通过性能优化,该模型可以按时间序列预测未来的细颗粒物(PM2.5)质量浓度。使用郑州市的历史气象数据,将模型预测结果与实际结果进行比较;实验结果表明,与经典深度学习模型相比,该算法提高了预测性能。     

基于变长时间间隔LSTM方法的胎儿异常体重预测

孕妇的产前体检是围产医学的重要组成部分,产前预测胎儿体重可以为判断胎儿健康发育提供准确的参考.孕妇的多次体检记录在孕周时间上有不均匀时间间隔分布的特点.本研究对不均匀时间间隔的处理提出了LSTM模型的变种——变长时间间隔的LSTM模型（Variable Time Interval LSTM,VTI-LSTM）.本研究数据来源于2015~2018年多家妇产科医院的10 473个孕妇的122 462条体检记录.实验比较了传统的公式估算法以及GBDT,MLP,SVR,RNN,LSTM,VTI-LSTM等机器学习方法的胎儿体重预测结果,其中,VTI-LSTM在低体重和巨大儿的预测上取得良好的预测结果.     

基于RBF神经网络的伊犁马体重估测模型

马匹体重是反映与衡量其健康状况的重要指标之一,并在马匹选育、肉质评价、饲养管理、马匹鉴定等方面具有重要参考意义。传统马体重估测模型的特征值之间存在共线性问题。故文中利用85匹一至三岁伊犁马的胸围、体高、体长信息作为特征值,采用K均值聚类算法确定隐含层中心点位置,并构建了基于径向基函数(RBF)的神经网络体重估测模型。模型采用平均绝对离差与线性拟合优度作为评价指标。线性伊犁马体重估测模型的平均绝对离差为15.45 kg,决定系数R 2为0.688,基于RBF神经网络的伊犁马体重估测模型的平均绝对离差为7.75 kg,决定系数R 2为0.917。研究结果表明:RBF神经网络模型能有效去除特征值之间的共线性问题,提高伊犁马体重估测准确度。基于RBF神经网络的伊犁马体重估测模型效果优于线性回归、通用性马体重估测模型,为准确估测伊犁马体重提供了新思路。     

基于深度卷积神经网络的车型识别

传统的基于卷积神经网络的车型识别算法存在识别相似车型的准确率不高,以及在网络训练时只能使用图像的灰度图从而丢失了图像的颜色信息等缺陷。对此,提出一种基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的提取图像特征的方法,运用深度卷积神经网络对背景较复杂的车型进行网络训练,以达到识别车型的目的。文中采用先进的深度学习框架Caffe,基于AlexNet结构提出了深度卷积神经网络的模型,分别对车型的图像进行训练,并与传统CNN算法进行比较。实验结果显示,DCNN网络模型的准确率达到了96.9%,比其他算法的准确率更高。     

基于深度神经网络的语音识别系统研究

语音识别是人机交互模式识别领域的一个重要课题,构建了一种基于深度神经网络的语音识别系统,使用了抗噪对比散度法和抗噪最小平方误差法对模型进行无监督训练;使用了均值归一化进行模型优化, 提高了网络对训练集的拟合度,并且降低了语音识别的错误率;使用多状态激活函数进行了模型优化,这不仅使得不带噪测试和带噪声测试的语音识别错误率进一步下降,并能在一定程度上减轻过拟合现象;并通过奇异值分解和重构的方法对模型进行了降维。实验结果表明,此系统可以在不影响语音识别错误率的基础上极大地降低系统的复杂性。     

基于样条权函数神经网络的传感器故障诊断

在技术高速发展的今天,传感器用于各行各业,加之这些年来,家用电器、汽车、信息产业三方面的飞速发展,传感器需求量增大,传感器故障诊断技术变得尤为重要,并且对提高系统的可靠性具有重要意义。利用神经网络对传感器故障进行诊断的方法克服了分析冗余方法需要的系统精确数学模型的问题,并且可以处理非线性数据。文中详细阐述了样条权函数神经网络的结构、原理,在分析传感器主要故障的基础上,提出了样条权函数神经网络的传感器故障诊断方案。Matlab仿真和模拟实验结果表明,样条权函数神经网络可以解决传感器故障检测问题。     

基于深度卷积神经网络的目标检测技术的研究进展

目标检测是计算机视觉领域中的一个研究热点。近年来,深度学习中的卷积神经网络在目标检测任务上表现突出。文中综述了深度学习在目标检测技术中的研究进展。首先,介绍了目标检测的两种方法和常用数据集,并分析了基于深度学习的方法在目标检测任务上所具有的优势。其次,根据深度学习的目标检测方法的发展过程,介绍了该方法所使用的经典卷积神经网络模型,并分析了各网络模型的特点。然后,从获取特征的能力、检测的速度及所使用的关键技术等方面进行了分析和总结。最后,根据基于深度学习的目标检测方法中存在的困难和挑战,对未来的发展趋势做了思考和展望。     

一种基于动态量化编码的深度神经网络压缩方法

近年来深度神经网络（Deep neural network,DNN）从众多机器学习方法中脱颖而出,引起了广泛的兴趣和关注.然而,在主流的深度神经网络模型中,其参数数以百万计,需要消耗大量的计算和存储资源,难以应用于手机等移动嵌入式设备.为了解决这一问题,本文提出了一种基于动态量化编码（Dynamic quantization coding,DQC）的深度神经网络压缩方法.不同于现有的采用静态量化编码（Static quantitative coding,SQC）的方法,本文提出的方法在模型训练过程中同时对量化码本进行更新,使码本尽可能减小较大权重参数量化引起的误差.通过大量的对比实验表明,本文提出的方法优于现有基于静态编码的模型压缩方法.     

基于熵权法和神经网络的口岸物流综合能力评价方法研究

口岸物流综合能力的提高是当前口岸发展研究的热点和难点问题,而综合能力的提高首先需要准确的评价方法。为此采用了熵权法与BP神经网络法相结合的评价方法进行口岸物流综合能力评价研究,以熵权法确定了BP神经网络的训练样本和期望输出,以BP神经网络模型进行口岸物流综合能力的评价。以河口口岸7年的物流数据为实例进行验证,得到了河口口岸物流综合能力的发展水平评价,从而证明了该方法的有效性和实践应用价值。     

基于深度神经网络的庞氏骗局合约检测方法

区块链技术的发展吸引了全球投资者的目光.目前,有数以万计的智能合约部署在以太坊上.在给金融、溯源等诸多行业带来颠覆性的创新之余,以太坊上的部分智能合约含有诸如庞氏骗局等欺诈形式,给全球投资者造成了数百万美元的损失.但是,目前针对互联网金融背景下庞氏骗局的定量识别方法较少,针对以太坊上庞氏骗局合约检测的研究较少,且检测精...