基于神经网络的LncRNA与蛋白质互作关系预测算法

论文提出一种基于注意力机制(Attention)的融合神经网络预测方法预测LncRNA与蛋白质的相互作用,命名为PIPAFNN.通过栈式自编码器和融合神经网络(CNN)-长短期记忆网络(LSTM)分别对LncRNA和蛋白质的序列进行特征提取,在模型学习过程中使用注意向量,使得训练出的模型能够关注不同样本中对预测方法具有...     

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大,电力系统的需求也越来越大,准确的电力负荷预测有助于电力调度、能源规划。对此,提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN＿LSTM模型、Attention＿LSTM模型、CNN＿Attention＿LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率,还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示,平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。     

基于CNN和LSTM联合预测并修正的电量缺失数据预测

数据是电网调度控制系统稳定运行的关键依据,而因为硬件故障等原因导致数据采集过程中的数据缺失会影响到系统数据的完整性,从而对电网调度的智能性和高效性产生相应的影响.因此,针对缺失数据的准确预测对于智能电网调度系统的建设有着重要的意义.本文针对解决电网领域电能量采集系统的缺失数据预测问题对已有的基于CNN和LSTM联合预测方法进行改进和优化,在联合预测模型基础上添加修正模型,针对不同缺失数据段利用CNN卷积神经网络和电力数据里特有的对侧数据场景建模,实验结果证明该方法将平均绝对误差值降到0.142,提高了现有预测模型的准确率,对电网调度系统的智能性和高效性提供了数据完整性、准确性的保障.     

基于CNN编码—LSTM解码混合神经网络的智慧家庭用电量预测技术研究

用电量预测是智能电力系统合理安排发电、输电和配电的必要前提。为了提高用电量预测的精度,提出一种基于CNN编码—LSTM解码的混合神经网络模型。该模型先采用CNN编码器提取特征变量之间的有效信息并编码为定长矢量,再采用LSTM解码器对时间序列进行建模并解码定长矢量为变长序列。考虑到用电量在不同时间分辨率下的特点,分别在每分、每时、每日、每周的不同采样率下进行用电量预测。以法国巴黎某家庭的实测数据作为实例进行实验,结果表明,与其他模型相比,所提出的模型不论在何种时间分辨率下均具有更高的预测精度。     

基于CNN-LSTM混合模型的入侵检测算法研究

本文通过CNN提取网络数据连接基本特征,并将卷积运算后输出的高级特征作为LSTM网络的输入参数进行长序列预测,有效地解决LSTM的输入序列特征难题。本文以KDD99训练集进行模型训练和测试,实验证明本文设计CNN-LSTM混合模型有较高的准确率和F1值。     

基于LSTM-CNN-CBAM模型的股票预测研究

为了更好地对股票价格进行预测,进而为股民提供合理化的建议,提出了一种在结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的基础上引入注意力机制的股票预测混合模型(LSTM-CNN-CBAM),该模型采用的是端到端的网络结构,使用LSTM来提取数据中的时序特征,利用CNN挖掘数据中的深层特征,通过在网络结构中加入注意...     

参数化模型预测空间实现及递推预测算法

本文给出线性时不变离散系统的参数化模型的预测空间实现的表达式，利用该表达式将传统的参数化模型预测算法化为状态空间递推形式，可大大减小参数化模型预测的在线计算量。为工程上实现自适应参数化模型预测控制带来很大方便。     

基于LSTM-CNN模型的RNA碱基不成对概率预测研究

预测核糖核酸（Ribonucleic Acid,RNA）结构是生物信息领域的热门问题。笔者提出一种长短期记忆（Long Short-Term Memory,LSTM）和卷积神经网络（Convolutional Neural Networks,CNN）相结合的LSTM-CNN深度神经网络模型。该模型基于RNA的一级序列和由LinearFold算法算出的能量最低的二级结构来预测RNA中碱基的不成对概率。最后,使用RNA数据集进行实验。实验结果表明,相对于LSTM模型和CNN模型,LSTM-CNN混合模型有较好的预测效果。     

基于预测控制的混沌系统参数微调控制方法

本文将预测控制理论引入混沌系统的控制研究中，提出一种基于预测控制的混沌系统参数微调控制方法，通过对控制参数进行微调，将模型未知时的混沌运动稳定到系统的不稳定不动点处．与现有同类方法相比，本控制系统具有快得多的响应速度，需要较短的时间就能实现混沌系统的控制．本方法能够控制超混沌系统，算法简便，控制算法的收敛性和控制系统的稳定性能够保证，理论分析和仿真实验都表明了本方法的有效性．     

非线性混沌时序的神经网络预测与控制算法研究

基于神经网络对时序问题的预测能力,本文提出了将混沌和神经网络相结合,应用神经网络来训练混沌序列的预测模型及方法,实现了将混沌系统快速地稳定到期望点上。理论分析和仿真结果均表明了该方法的有效性,且算法弹性大,可扩充性好,稍作修改后,可适应不同的混沌映射。     

基于免疫网络算法的SVM参数选择

将SVM预测精度看作是一个关于模型参数的不连续的多极值函数,基于改进的免疫网络算法,对SVM的模型参数选择问题进行研究,将免疫网络算法与SVM相结合形成一个AIN-SVM算法.分别对分类和回归数据集进行了测试,结果表明该方法能够更快速地在更大的空间内进行有效搜索,与传统的交叉验证方法相比,在搜索速度与稀疏性上具有较大的优势.     

基于人脸图像的BMI预测算法研究

BMI是目前国际上常用的衡量人体胖瘦程度以及是否健康的一个标准。通常情况下,BMI是由个体的身高和体重计算得到的。目前,国外的研究人员提出了基于人脸图像预测BMI的算法,通过构建面部特征与BMI之间的关联集合,利用SVR回归模型进行BMI预测工作。该算法在实验室实验环境下表现良好,但在日常生活应用环境下仍有较大的预测误差。为了提高BMI预测算法在日常生活应用环境下的预测精度,提出面部区域面积比(RAR)、嘴颌宽度比(MJWR)和颊宽高度比(CWHR)这三种新的面部特征用于补充改进BMI预测算法,同时使用神经网络拟合代替SVR回归进行BMI预测实验。实验结果表明,在日常生活应用环境下,改进的BMI预测算法使得预测结果更加精确,BMI预测的平均绝对误差(MAE)降低了0.7。     

基于C_均值聚类的航班预测模型

航班预测是航空公司收益管理的关键技术．本文提出了一种基于C 均值聚类的航班预测模型，并将该模型和广泛应用的增量法、回归法进行了对比．该模型基于聚类方法分析航班销售特征，依靠归类决定预测结果，屏蔽了日期和季节特性对预测过程的影响，降低了算法复杂度．该模型具有运算速度快、鲁棒性强、预测精度相对较高等优点,已应用于厦门航空公司的实际系统中     

基于优化算法的核函数参数选择的研究

尽管支持向量机在许多问题上有着良好的表现,但是其参数和核函数的参数选取问题依然亟待解决。以往多采用优化算法进行参数选取,但也需要预先经验地获得核函数的参数的选取范围。在介绍结构风险最小化原则及支持向量机算法的基础上,给出了基于优化算法的支持向量机参数选取的一般性算法。由于径向基核函数（RBF）的参数取值大小的不同,可导致其性质和作用不同,为此提出了一种分段函数对RBF的参数进行选择的方法,该方法使得RBF的参数取大值和小值的概率均等。由此可不必预先经验地指定RBF的参数的选取范围,依然可以优化获得最优的参数。通过对头部组织电导率估算问题进行对比研究,取得了良好的效果,验证了该方法的有效性。     

基于网络状态预测的提前控制

高速网络的大带宽延迟乘积使其于传统反馈机制的ＡＢＲ难以对高可变ＶＢＲ快速响应,造成速率的不匹配。为了提高反馈控制方法的有效性,充分利用高优先级ＶＢＲ业务剩余的可用带宽,文中提出基于预测的提前控制模式,根据ＡＢＲ信源的不同反馈延迟对未来时间段ＶＢＲ占用带宽进行预测,并利用未来ＡＢＲ可用带宽估算值为相应的ＡＢＲ进行速率分配,从而实现速率的精确匹配。高速网络ＶＢＲ业务的强相关性使相对精确的时间序列预测成     

基于级联BP神经网络的航班撤轮挡时刻预测

合理的航班协同离场前排序可以提高机场、航空公司、空管等部门的运行效率和可预测性,减少航班起飞前的等待时间。准确地预测航班撤轮挡时刻是建立航班起飞顺序的先决条件,对调整起飞前航班排序和计算航班起飞时间具有重要的决策意义。提出一个基于级联BP神经网络的航班撤轮挡时刻预测模型。该模型分别在航班过站过程的不同时刻进行航班撤轮挡时刻的预测,并进行过拟合研究。实验结果表明,与目前采用的经验统计预测模型相比,在相同时刻,该预测模型具有更高的预测准确率。     

基于ID预测的RFID防碰撞算法

多标签防碰撞算法是射频识别(RFID)系统中提高识别效率的关键技术,是当前RFID和物联网应用领域的重要研究问题.在对各种改进算法及IPA基本算法进行分析的基础上,结合JDS(跳跃式动态树形防碰撞算法)算法,提出一种精简IPA防碰撞算法.该算法通过精简ID标签中的非碰撞位,采取跳跃式后退查询策略,可有效减少通信冗余,提高识别性能.仿真结果表明,精简IPA算法较大幅度降低阅读器问询和标签应答的次数及比特数.     

一种基于优化参数的非局部均值滤波算法

针对非局部均值滤波算法中难以找到一个全局最优的滤波参数h的问题,给出一种新的该参数的优化方法,并将其应用于传统非局部均值滤波算法的改进。首先基于SUSAN算法提取噪声图像的边缘信息,然后在大量实验的基础上,利用线性回归和非线性回归分析方法建立h与边缘信息、噪声方差之间的优化模型。最后,将基于该优化模型的非局部均值算法应用于多幅图像的去噪处理中。实验结果表明,新算法改善了传统非局部均值算法的去噪性能,取得了良好的滤波效果。