BP网络和多元回归在葡萄酒质量模型中的应用

利用因子分析法筛选出对葡萄酒质量影响较大的12种理化指标,将其作为多元线性回归的自变量和BP网络输入层神经元,分别用多元线性回归和改进的BP神经网络两种方法建立葡萄酒和酿酒葡萄的主要理化指标与葡萄酒质量的关系模型。比较了两种模型的泛化能力,得出多元线性回归模型对新样本预测的平均相对误差是1.93%,而BP神经网络模型的平均相对误差是0.37%。仿真实验表明,BP神经网络的泛化能力和稳定性明显优于多元回归模型。     

基于点击日志的搜索引擎用户满意度评价研究

针对传统的搜索引擎人工评价方法效率低、成本大的问题,提出一种利用用户点击日志来评价搜索引擎用户满意度的方法。通过分析搜索引擎的用户点击日志,选择网页搜索结果排名、网页点击率、网页平均浏览时间作为用户满意度特征,分别运用多元线性回归分析、多元对数回归分析和BP神经网络方法,建立了基于用户点击日志的搜索引擎用户满意度评价模型。结合具体的实验数据集,通过实验对线性回归模型、对数回归模型和BP神经网络模型的结果进行了比较与分析,验证了模型的有效性。     

基于Lasso与禁忌搜索的患者检查需求预测

对住院患者图像检查需求预测问题进行了研究.为有效应对需求影响因素较多,采用Lasso降维减少模型输入变量;基于多元线性回归、BP神经网络和多元自回归差分移动平均模型(ARIMAX)等常用患者需求预测方法构建组合预测方法;为解决传统组合预测方法难以同时考虑多个性能指标的问题,基于线性加权组合预测思路,提出了基于禁忌搜索的...     

结合灰色扩充的GA-BP神经网络模型在渭河水质遥感反演中的应用

以渭河陕西段水域为研究对象,用遗传算法改进的BP神经网络,结合灰色理论,建立了一种结合灰色扩充的GA-BP神经网络模型,对渭河水质中的主要污染指标CODmn(高锰酸盐指数)、COD(化学需氧量)、NH₃-N(氨氮)、DO(溶解氧)进行了遥感反演建模。实验证明：改进后的人工神经网络模型在预测精度上高于普通的BP神经网络模型和传统的多元线性回归模型,可用于渭河水质遥感反演建模。
     

基于粒子群优化BP神经网络的养肠胃菜谱判定

提出了一种基于粒子群优化BP神经网络的养肠胃菜谱判定的方法。粒子群算法通过自身良好的搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络中收敛性慢、存在多个局部极值点的缺陷。并分别通过误差曲线图、线性回归图等,对BP神经网络模型与PSO-BP神经网络模型进行比较分析。实验结果表明,PSO-BP模型判定较准确,在调养肠胃的饮食食谱选择中起到了指导作用。     

基于BP神经网络的土壤水力学参数预测

为了获取区域土壤水分和溶质运移模拟所需的土壤水力学参数,利用黄淮海平原曲周县的试验资料建立基于BP神经网络的土壤转换函数模型。本文采用土壤粒径分布、容重、有机质含量等土壤基本理化性质,来预测土壤饱和导水率Ks、饱和含水量sθ、残余含水量θr、以及van Genuchten公式参数α、n的对数形式ln(α)和ln(n),并与多元线性逐步回归方法进行比较。t检验结果表明,BP神经网络训练和预测得到的模拟值与实测值之间吻合很好,该方法具有较高的预测精度。通过对平均相对误差的比较,得出在粒径分布的基础上增加容重、有机质含量等输入项目,可以提高部分土壤水力学参数的预测精度,而有些参数的预测精度反而降低。以误差平方和为标准的比较结果表明,BP神经网络模型的预测效果总的来看要优于多元线性回归法。     

高峰期网络流量高精准度预测模型研究

针对当前网络流量预测法是通过监测网络流量历史数据进行预测,存在预测精准度低和流量信息参数自适性差的问题,提出基于多元线性回归分析的高峰期网络流量预测模型。通过BP神经网络法,确定网络流量信息权值,采用滑动窗口算法得到流量序列中对应信息数据,构成新的网络流量序列,得到多元线性回归初始模型;引入最小二乘法对流量信息参数进行估算,得到流量信息的样本回归函数,使用可决系数F检验及统计样本回归函数,完成高峰期网络流量预测模型的构建。实验结果表明,使用该模型可降低误差、提高拟合度、增加能量利用率,为高峰期网络流量预测提供了基础保障。     

苯酚及其衍生物对水生梨形四膜虫急性毒性的QSTR研究

选取了258个苯酚及其衍生物对水生梨形四膜虫的毒性数据,选择7个分子描述符作为建模的结构参数,开展了以QSTR方法建立苯酚及其衍生物毒性模型的研究。首先,运用稳健诊断方法(Robust Diagnostic Method)剔除奇异样本,然后采用球型排除算法(Sphere-exclusion Algorithms)合理划分样本,继而分别采用多元线性回归(Multiple Linear Regression,MLR)、偏最小二乘(Partial Least Squares,PLS)、BP(Error Back-Propagation,BP)神经网络3种方法进行定量构效关系研究,并对外部验证集采用共识建模方法(Consensus Modeling Method),从而提高了模型的预测能力。研究结果表明,所建模型均具有较好的预测能力和稳定性,且与MLR、PLS模型相比,BP神经网络模型性能略胜一筹,即非线性模型比线性模型性能优越。但是BP神经网络建立的模型不能直接给出直观的数学模型和公式,而MLR、PLS模型更为简单明了。     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统,为有效地预测油田产量,确保油田生产过程高产稳产,该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选,然后通过神经网络对优选后的变量进行训练得到最终的预测模型,从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明,优化后的模型简洁实用,可以在一定程度上提高模型的预测精度,并减少建模预测所需数据量。     

基于改进Elmam神经网络的网络流量预测模型

提出了一种改进Elman动态回归神经网络,在此基础上建立了一种网络流量预测模型,该模型相对于传统的线性模型和BP神经网络模型具有更高的预测精度和更好的自适应性,利用某大学校园网统计得到的实际网络流量数据进行仿真实验,结果表明该模型具有良好的预测效果。     

运用概化理论和BP网络进行创造力研究

心理学的数据往往是通过主观评判得到的,和物理学的数据相比有较大的误差。以创造力测量为例,运用概化理论对心理测量数据的质量进行了描述。采用BP-Adaboost RT方法对心理测量数据进行建模,并且和多元线性回归、单个BP网络的建模进行了比较,结果表明,概化理论可以用来分析心理测量数据,数据的质量会影响到模型的预测精度。     

渭河水质遥感反演的人工神经网络模型研究

以渭河陕西段水域为研究对象,在获取了实地监测数据和SPOT5遥感影像的基础上,对遥感数据进行预处理,建立了BP神经网络水质反演模型和RBF神经网络水质反演模型。并对水质参数CODcr、NH3-N、DO、CODmn进行反演。研究结果表明,利用神经网络模型反演水质参数是可行的,由于是非线性模型,其反演结果明显好于线性回归模型的结果。     

基于DDPG深度强化学习的电站脱硝过程优化控制

针对选择性催化还原(SCR,selective catalytic reduction)脱硝系统脱硝过程存在非线性、多工况等复杂特点,提出一种基于MiniBatchKMeans聚类与Stacking模型融合的SCR脱硝过程NO_X预测方法;该方法通过应用MiniBatchKMeans聚类算法对训练集进行工况聚类与划分优化,建立基于XGBoost、随机森林、LightGBM以及线性回归的Stacking融合框架预测模型(Stacking-XRLL),实现电站SCR系统多变工况下NO_X排放的精准预测;以广东某电站SCR系统脱硝过程中NO_X排放数据为例进行建模仿真与实验,结果表明与单一建模方法多层前馈神经网络(BP)、长短期记忆神经网络(LSTM)以及门控循环单元神经网络(GRU)相比,Stacking-XRLL建模方法的平均预测精确度达到了99%,并最终结合建立好的深度确定性策略梯度(DDPG)强化学习模型,实现电站SCR脱硝过程的参数优化控制。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

高校教学质量评价的BP神经网络模型

高校教学质量的评价是一个多因素、多变量、模糊的非线性过程。文章运用BP神经网络建立了教学质量评价的数学模型,通过matlab神经网络工具箱学习训练网络,并经测试数据验证。结果表明,基于BP神经网络建立的教学质量评价模型,克服了评价中主观因素的影响,得到了较满意的评价结果,具有广泛的应用前景。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。