水泥熟料强度预测系统的研究与实现

本文利用神经网络建立预测水泥熟料强度的数学模型,并用MATLAB6.5和VB6.0实现了熟料强度预测系统的设计。经过实际生产样本的训练和验证,该系统具有较高的预测能力,在水泥熟料强度预报中具有一定的应用价值。     

粗糙集在熟料强度影响因素选取中的应用研究

指出目前水泥厂预测熟料强度的主观性,提出利用粗糙集中的可辩识矩阵对熟料强度影响因素进行计算,能够选取出对强度贡献较大的主要影响因素.在后续的研究中,根据本次选取的因素对熟料强度进行科学合理地预测,进而保障出厂水泥的质量.因此,该研究对熟料强度预测提供了理论支持.     

基于RBF神经网络的水泥强度预测

利用RBF神经网络的算法，建立了水泥强度的预测模型。通过实际数据比较计算，RBF神经网络明显优于BP网络，该模型为水泥强度的快速预测提供了一种新方法。     

基于知识的神经网络在出行方式选择中的应用研究

针对神经网络和决策树方法在算法上的本质联系和互补优势,将C4.5决策树提取规则的基于知识的神经网络（knowledgebased neural network,KBNN）用于出行方式预测。对居民通勤出行方式选择数据的分析表明,KBNN相比于决策树方法、普通前馈神经网络和多项Logit模型（MNL）有更高的预测精度,方法不仅提高了网络的可解释性,且易于构造、收敛速度更快,实用性较强,为出行方式选择预测提供了新的思路。     

小水泥厂综合管理系统

小水泥厂综合管理系统是个软件包，由财务、工资、人事档案、水泥生料配比计算、熟料和水泥强度预报等管理子系统构成。本文主要介绍财务、熟料和水泥强度预报两个子系统的设计与实现方法。     

基于机器学习的5G无线传播模型的构建

针对5 G无线传播模型的构建,使用Pearson系数量化特征与目标值之间的相关性,以此构造出新的特征.将这些特征送入到BP神经网络、决策树、随机森林中来建立无线传播模型,并且能够预测新环境下无线信号覆盖的强度.该模型为建立精准的无线网络提供技术支持,使网络建设成本降低,并提高建设效率.     

小水泥厂综合管理系统

小水泥厂综合管理系统是个软件包，由财务，工资，人事档案，水泥生料比计算，熟料和水泥强度预报等管理子系统的构成。本文主要介绍财务，熟料和水泥强度预报两个系统的设计与实现方法。     

基于数据挖掘技术的信用卡审批模型研究

针对分类预测建模数据的非对称性,提出一种基于神经网络和决策树技术结合的非对称性数据集合预测分类建模方法,建立了信用卡审批模型.结果表明:增加预测类标识决策属性后,在用不同比例的建模数据集建立的所有模型中,比例为33.33%:66.67%的数据集建立的神经网络模型最好,模型的准确率达到88.49%.     

水泥熟料烧成系统建模方法研究进展

水泥熟料烧成系统模型对于理解水泥熟料煅烧过程、改进煅烧工艺、优化控制段烧状态、提高燃烧效率至关重要.然而,水泥熟料煅烧过程机理复杂,燃烧状态不稳定,存在建模难的问题.经过学者几十年的努力,已涌现出一大批优秀的研究成果,但仍存在一些不足和挑战.对此,针对水泥熟料烧成系统建模问题,综述国内外已有的建模方法和技术,分析各种方法的优势及存在的问题.最后,分析并指出水泥熟料烧成系统建模领域未来的研究方向和前景.     

一种基于模糊决策树的运动预测机制

通过考虑环境约束及用户运动的随机性,设计了一种基于模糊决策树的运动预测机制.该机制在示例集的基础上,利用属性模糊化和模糊分类熵建立初始模糊决策树,由此生成模糊决策规则进行预测,根据变化情况适时对模糊决策树进行必要的维护.仿真研究表明,该机制预测准确率较高,预测开销较小,是可行和有效的.     

基于决策树的神经网络

传统人工神经网络模型采用试探的方法确定合适的网络结构,并随机地初始化参数值,导致神经网络训练效率低、结果不稳定.熵网络是一种建立在决策树之上的3层前馈网络,在熵网络基础上,提出了基于决策树的神经网络设计方法(DTBNN).DTBNN中提供了对神经网络参数的初始值合理设置的方法,并提出了由决策树确定的只是熵网络的初始结构,在实际的网络构造中需要根据实际应用添加神经元和连接权以提高网络的性能.理论分析和实验结果表明了这种方法的合理性.     

Comparison of artificial neural network and fuzzy logic models for prediction of long-term compressive strength of silica fume concrete

In this study, an artificial neural network (ANN) and fuzzy logic (FL) study were developed to predict the compressive strength of silica fume concrete. A data set of a laboratory work, in which a total of 48 concretes were produced, was utilized in the ANNs and FL study. The concrete mixture parameters were four different water–cement ratios, three different cement dosages and three partial silica fume replacement ratios. Compressive strength of moist cured specimens was measured at five different ages. The obtained results with the experimental methods were compared with ANN and FL results. The results showed that ANN and FL can be alternative approaches for the predicting of compressive strength of silica fume concrete.     

Artificial neural network application on microstructure–compressive strength relationship of cement mortar

Artificial neural network analysis was performed to establish a relationship between microstructural characteristics and compressive strength values of cement mortar in this study. Pore properties such as pore area ratio, total pore length, total dendrite length and average roundness, and paste properties such as hydrated part area and unhydrated part area ratios were approached as microstructural characteristics obtained by digital image analysis. These microstructural quantities were correlated with compressive strength values of cement mortar incorporating with the chemical admixtures by different dosages, which resulted as several microstructural characteristics. Artificial neural network (ANN) analysis indicated that by using ANN as non-linear statistical data modeling tool, a strong correlation between the microstructural properties of cement mortar and compressive strengths can be established.     

基于数据库分组技术的决策树算法的研究

提出了一种利用数据库分组记数技术构造决策树的算法,利用数据库系统的结构化查询语言来实现主要的样本统计计算任务。并将构造决策树的过程与相关属性的选择方法有机地结合在一起。使用这些方法和策略,该算法能较快速地生成决策树,与ID3算法相比,在不影响决策树分类准确度的前提下,具有较高的执行效率。     

基于差分演化的GEP决策树算法

基于均匀常数分布的基因表达式编程决策树算法存在对多属性数据分类效果不佳的问题。为此,提出一种基于差分演化的基因表达式编程决策树算法,该算法通过引入差分演化的方法对其附加阈值进行改进,从而使均匀的常数数组在保持均匀分布的同时仍不失多样性。实验结果表明,该方法在多属性数据的分类问题上能够得到良好的效果。     

基于VPRS多变量决策树优化算法

噪声数据降低了多变量决策树的生成效率和模型质量,目前主要采用针对叶节点的剪枝策略来消除噪声数据的影响,而对决策树生成过程中的噪声干扰问题却没有给予关注。为改变这种状况,将基本粗糙集（rough set,RS）理论中相对核的概念推广到变精度粗糙集（variable precision roughset,VPRS）理论中,并利用其进行决策树初始变量选择;将两个等价关系相对泛化的概念推广为两个等价关系多数包含情况下的相对泛化,并利用其进行决策树初始属性检验;进而给出一种能够有效消除噪声数据干扰的多变量决策树构造算法。最后,采用实例验证了算法的有效性。     

基于约简属性和阈值分割的决策树构建方法

针对决策树C4.5算法在处理连续值属性过程中时间复杂度较高的问题,提出一种新的决策树构建方法：采用概率论中属性间的相关系数（Pearson）,对数据集中的属性进行约简;结合属性的信息增益率,保留决策属性的最优子集,保证属性子集中没有冗余属性;采用边界点的判定,改进了连续值属性离散化过程中阈值分割方法,对信息增益率的计算进行修正。采用UCI数据库中的数据集,在Pycharm平台上进行一系列对比实验,结果表明：采用改进后C4.5决策树算法,决策树生成效率提高了约50%,准确率提升约2%,比较有效地解决了原C4.5算法属性选择偏连续值属性的问题。     

改进利益驱动神经网络在欺诈信息的应用研究

为了研究个体收益和代价实现总体净收益的最大化问题,提出了利益驱动的人工神经网络（ANN）分类方法。该方法引入了惩罚函数,根据实例不同的重要程度对不同实例的误分类给予可变惩罚,并在之后对净利益进行最大化处理。为了生成对个体的惩罚,参照每个实例的收益,通过改变函数值对误差平方和函数进行了修改,提出了七个不同版本的ANN模型。两个欺诈信息的实验结果表明,与原ANN、决策树和朴素贝叶斯分类器相比,所提模型的不同版本在净利润项上的性能优于其他方法,而且能够针对不同的数据集采用不同的权值生成方式。     

一种基于神经网络集成的决策树构造方法

神经网络集成方法具有比单个神经网络更强的泛化能力,却因为其黑箱性而难以理解;决策树算法因为分类结果显示为树型结构而具有良好的可理解性,泛化能力却比不上神经网络集成。该文将这两种算法相结合,提出一种决策树的构造算法：使用神经网络集成来预处理训练样本,使用C4．5算法处理预处理后的样本并生成决策树。该文在UCI数据上比较了神经网络集成方法、决策树C4．5算法和该文算法,实验表明：该算法具有神经网络集成方法的强泛化能力的优点,其泛化能力明显优于C4．5算法;该算法的最终结果昆示为决策树,显然具有良好的可理解性。     

基于神经网络的模糊决策树改进算法

传统决策树通过对特征空间的递归划分寻找决策边界,给出特征空间的“硬”划分。但对于处理大数据和复杂模式问题时,这种精确决策边界降低了决策树的泛化能力。为了让决策树算法获得对不精确知识的自动获取,把模糊理论引进了决策树,并在建树过程中,引入神经网络作为决策树叶节点,提出了一种基于神经网络的模糊决策树改进算法。在神经网络模糊决策树中,分类器学习包含两个阶段：第一阶段采用不确定性降低的启发式算法对大数据进行划分,直到节点划分能力低于真实度阈值[ε]停止模糊决策树的增长;第二阶段对该模糊决策树叶节点利用神经网络做具有泛化能力的分类。实验结果表明,相较于传统的分类学习算法,该算法准确率高,对识别大数据和复杂模式的分类问题能够通过结构自适应确定决策树规模。