基于改进多层感知机模型的港口吞吐量预测研究

精确的港口货物吞吐量预测对于港口的发展至关重要.本文提出了改进粒子群优化去尾均值多层感知机模型对上海港货物吞吐量进行预测.选取了影响上海港货物吞吐量的十个因素进行训练,实验结果表明该预测模型的预测性能明显优于传统MLP预测模型和基本的粒子群优化多层感知机模型.对该预测模型的误差分析和收敛性分析表明该预测模型可靠.     

基于多层感知机的技术创新人才发现方法

专利数据中包含了丰富的科技信息。通过对专利数据的分析,不仅可以帮助企业快速了解当前领域的发展状况,还可以及时发现领域中的技术创新人才。当前的技术创新人才发现方法往往是孤立地从各个专利特征的角度来评估发明人的技术创新实力,而没有统一的学习模型来发现专利集合中的技术创新人才。针对该问题,提出一种基于多层感知机模型的技术创新人才发现方法。从专利数据中抽取发明人的各个特征;基于抽取的发明人特征构建多层感知机模型;采用该多层感知机模型在专利数据集合中发现技术创新人才。实验结果表明,该方法是有效的。     

基于多层感知机模型的车牌识别技术

车牌识别是对实时图像中的车牌区域进行感知和截取,进行光学字符识别的过程.针对人工检测效率低的弊端,设计了一种应用于Android移动平台的车牌识别检测系统,利用OpenCV视觉开发库进行二次开发,使用支持向量机对图像进行判断,截取有效车牌区,并使用人工神经网络中的多层感知机模型实现字符的识别.测试结果表明,该系统检测速...     

基于门控多层感知机的端到端实体关系联合抽取

从非结构化文本中进行实体和关系抽取已经成为自然语言处理的一项关键任务,然而命名实体识别(NER)和关系抽取(RE)两个任务经常被分开考虑,从而丢失了大量的关联信息。鉴于此,该文提出了一种端到端的基于多层感知机SGM模块进行信息过滤的实体关系联合抽取方法。该方法在不引入外部其他复杂特征的情况下获得了丰富的语义,充分利用了实体和关系之间的关联。该文从句子级、词语级和字符级三个级别输入信息,利用SGM模块进行信息提取以获得高效的语义表示,之后利用Span-attention进行融合得到Span的具体表示,最后利用全连接层进行实体和关系的联合抽取。该文使用NYT10和NYT11数据集验证所提方法的有效性。实验结果表明,在NYT10和NYT11数据集上,该文提出的模型在关系抽取任务中的F₁值分别达到了70.6%和68.3%,相比于其他模型有较大提升。     

改进的多层感知机在客户流失预测中的应用

针对在传统的客户流失预测数据预处理中，使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题，提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进，通过将离散属性的高维编码数据向低维空间映射，有效地减少了one-hot编码产生的稀疏数据，增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明，改进后的模型既有效地提高了预测的准确度，又维持了传统多层感知机模型在并行化计算方面的优势。     

一种新的多层感知机隐含层神经元个数上限计算方法

多层感知机在分类问题中具有广泛的应用。本文针对超平面阈值神经元构成的多层感知机用于分类的情况,求出了输入层神经元最多能把输入空间划分的区域数的解析表达式。该指标在很大程度上说明了感知机输入层的分类能力。本文还对隐含层神经元个数和输入层神经元个数之间的约束关系进行了讨论,得到了更准确的隐含层神经元个数上
上限。当分类空间的雏数远小于输入层神经元个数时,本文得到的隐含层神经元个数上限比现有的结果更小。     

基于多层感知机代理模式的地球系统模式物理参数优化方法

地球系统模式中物理参数的不确性会对气候模拟的精度产生巨大的影响,优化物理参数对提高气候预测的准确性至关重要。通常在地球系统模式的参数优化中有多个目标需要同时优化,然而目前常用的进化多目标算法在地球系统模式上使用需要极高的计算代价,因此提出了一种基于多层感知机(MLP)神经网路的多目标代理模式参数优化方法MO-ANN。此方法利用多层感知机建立代理模式,用代理模式来预估候选采样点的优劣,提高了多目标优化的精度和收敛性。在复杂数学函数和单柱大气模式上的对比实验表明,MO-ANN优化算法相对于进化多目标算法具有明显优势,特别是在热带暖池-国际云实验的单柱大气模式中,MO-ANN收敛速度可相对NSGAIII提升5倍以上。     

基于多层感知机和语义矩阵的答案选择模型

答案选择是问答系统领域的关键子任务,其性能表现支撑着问答系统的发展。基于参数冻结的BERT模型生成的动态词向量存在句级语义特征匮乏、问答对词级交互关系缺失等问题。多层感知机具有多种优势,不仅能够实现深度特征挖掘,且计算成本较低。在动态文本向量的基础上,文中提出了一种基于多层感知机和语义矩阵的答案选择模型,多层感知机主要实现文本向量句级语义维度重建,而通过不同的计算方法生成语义矩阵能够挖掘不同的文本特征信息。多层感知机与基于线性模型生成的语义理解矩阵相结合,实现一个语义理解模块,旨在分别挖掘问题句和答案句的句级语义特征;多层感知机与基于双向注意力计算方法生成的语义交互矩阵相结合,实现一个语义交互模块,旨在构建问答对之间的词级交互关系。实验结果表明,所提模型在WikiQA数据集上MAP和MRR分别为0.789和0.806,相比基线模型,该模型在性能上有一致的提升,在SelQA数据集上MAP和MRR分别为0.903和0.911,也具有较好的性能表现。     

基于多层感知机和RBF转换函数的混合神经网络

为了更有效地优化前向神经网络的求解能力,提出了一种新的综合的转换函数,将多层感知机和RBF神经网络更有机地结合起来,以产生灵活的决策边界。在此基础上推导出了相应的学习算法。并通过对实际的模式分类问题的仿真,将文中的方法与带动量项BP算法、CSFN、RBF等算法进行了比较,验证了其有效性。     

Using Multi-Layer Perceptrons to Predict Vehicle Pass-By Noise

All new vehicle designs have to pass a legislative, noise emission test – the pass-by noise test. In the highly competitive automotive industry, it is important to predict the test result early in the design process, rather than waiting until a prototype is built. Engineers can guess test results about aswell as the best, although inadequate, analytical models. They achieve this by using experience and their knowledge of acoustics and of the vehicles design. Neural networks should also be capable of pass-by noise prediction, learning from the results of previous tests. This paper describes a neural network approach to the problem. First, expert knowledge is used to select vehicle design and test parameters to present as inputs to a multi-layer perceptron. Since data is scarce, the problem is broken down into two stages, vehicle performance and pass-by noise. The two trained networks are evaluated and their performance discussed.     

Using Unlabelled Data to Train a Multilayer Perceptron

This Letter presents an approach to using both labelled and unlabelled data to train a multilayer perceptron. The unlabelled data are iteratively pre-processed by a perceptron being trained to obtain the soft class label estimates. It is demonstrated that substantial gains in classification performance may be achieved from the use of the approach when the labelled data do not adequately represent the entire class distributions. The experimental investigations performed have shown that the approach proposed may be successfully used to train neural networks for learning different classification problems.     

融合法律文本结构信息的刑事案件判决预测

近年来,法律领域的智能化引起了学界的广泛关注。选取法律领域中十分重要的法律判决预测任务作为研究重点,法律判决预测包含推荐相关法条、定罪和刑期预测等三个子任务。随着深度学习在各个领域的广泛应用,一些研究者将深度学习方法引入法律判决预测任务并取得了较好的效果。现有基于深度学习的法律判决预测方法通常是通过构建案情描述和法条之间的注意力来提升模型预测能力,或者利用三个法律判决预测子任务间的关系来提升整体的性能。但是这些工作未考虑法律文本中的多层层次化信息,如刑法第三百九十七条包含职务侵占罪和玩忽职守罪,其法条大类是渎职罪,并且每个罪行有不同的刑期。针对该问题,考虑引入法律文本的多层层次化信息用于法律判决预测任务。具体来说,对法律文本的多层结构信息进行预处理,并利用协同注意力机制将法条的多层信息融入到案情描述中,得到每个子任务的融合不同层次的法律信息的案情描述表示,从而提升司法判决预测任务的性能。在真实的法律判决预测任务公开的数据集上进行了实验,结果显示提出的融合法律文本多层结构信息的模型在法律判决预测任务上优于当前最好的模型。对法律智能化的未来和发展进行了展望。     

基于DSP的铜材成型机熔炉温控系统设计

设计采用TMS320LF2407A数字信号处理器作为控制核心,时铜材成型机熔炉内的温度进行控制。将传感器的输出信号经过放大送入LF2407A,在其片内进行A／D转换后,与设置温度值进行比较,运用PID控制算法,用LF2407A的输出通过控制双向晶闸管调功电路的占空比,达到对炉温的控制,使之满足工业生产的要求。系统还可以在超出设定温度上下限的时候,进行声光报警。     

利用卫星云图预测地震

本文作者利用卫星云图经多年观察分析,发现地震区卫星云图上的云异常,对异常云现象总结归纳,提出了“震兆云”的概念及其发生规律、形态特征、与预测地震的关系。结合MDCB地震前兆监测仪、地表热红外遥感方法等三种方法联合预测实践,将预测地震的准确率提高到了60%-70%.     

基于改进PCR方法的加热炉钢温预报模型

运用多元统计投影原理，结合改进PCR方法，建立了钢坯出口温度变量和过程变量之间的主元回归预测模型，最后基于某钢厂实际生产数据对模型的参数进行了求取．校验和误差分析表明，该模型能提前5～25分钟预测出钢坯的出口温度，且预测误差满足工业应用的精度要求．     

独立元回归在转炉终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于ICR方法的终点温度的预测模型.该方法将独立元分析(ICA)与回归分析相结合,先利用ICA方法提取输入数据矩阵的独立元矩阵(IC);然后再分别以IC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业生产数据仿真结果表明,与主元回归(PCR)和偏最小二乘回归(PLSR)方法相比,基于ICR的终点温度预测模型预测精度高,跟踪性能好.该方法可为实际生产中的终点控制提供参考,提高生产效益.     

基于RBF神经网络的钢坯温度预报软测量模型研究

钢坯加热过程是钢铁企业热轧生产中非常重要的工艺环节。钢坯温度预报模型是实现加热炉优化控制的重要基础,用常规仪器很难直接测量出钢坯温度。给出了基于RBF神经网络的软测量模型结构,对钢坯温度进行预报的仿真结果。     

利用学习向量化样本分类的在线学习成绩预测

对网络在线学习者产生的数据进行记录和分析,并为其提供精准化的个性化服务是在线教育发展的重要方面.本文以学习者在平台上产生的日常学习数据为样本,综合其最具代表性的五种影响因子,通过学习向量化神经网络对样本进行分类,得到基于BP神经网络的在线学习成绩预测数据.在模型中采用遗传算法有效优化BP神经网络的权重和阈值,在提高预测精度的同时加快模型的收敛速度.最后与其他两种模型进行对比分析,结果表明：该模型进行预测的结果与真实的成绩分布基本一致,具有很高的可信度,能够为有效的预测学习状态提供决策依据,具有一定的工程应用价值.