基于数据挖掘的船舶能耗分析与预测

船舶能耗影响因素众多,涉及大气环境、水文条件、航速工况、地理位置、任务编排以及有效载重等多种特征因素,若采集所有特征会造成信息采集系统、数据存储系统和数据分析系统压力过大,且可能采而不用。因此,以船舶能耗分析和建模为目标,基于随机森林挖掘不同方面的数据与船舶能耗之间的关联关系,合理规划能量管理的采集范围。同时,基于关联性强的因子进行能耗预测和里程预测,可为合理安排航行任务提供重要的决策依据。     

基于机器学习的软件缺陷倾向性预测研究

为了能尽早发现软件中存在的缺陷,使用传统的机器学习方法来预测软件模块的缺陷倾向性,选取了NASA公开数据集中的部分数据集,针对软件缺陷预测中类不平衡的问题,分别采取了随机欠采样和随机过采样的方案,再使用逻辑回归算法和随机森林算法分别对数据集进行训练和预测,使用了查准率(Precision)、查全率(Recall)、RO...     

基于数据挖掘的销售预测研究

在研究数据挖掘预测算法时间序列AR模型的基础上,提出了将影响销售预测的因素与时间序列预测结合在一起的BP神经网络销售预测模型,该模型通过数据仓库获取销售历史数据.实例验证表明:BP神经网络销售预测模型比时闻序列AR销售预测模型精度高.     

基于机器学习回归模型的房价预测研究

本文从波士顿的多项房价影响因素中找到合适的特征,并且使用独热编码,归一化等方式来预处理特征,接着使用全连接深度学习训练以及随机森林训练,发现并展示训练过程中较为重要的特征,最终得出深度学习全连接相比于随机森林效果更好的结论.本次模型训练与房价预测,目的在于发现影响房价的重要特征.并且本次训练的经验与模型,可以迁移到更多...     

基于神经网络的危化企业事故预测研究

根据对100家危化企业以往数据统计,确定他们的年安全资金的投入、安全管理人员数量及几年内无事故的数据,进行危化企业事故年限预测。通过自组织特征映射神经网络学习规则,在现有数据的条件下进行训练,得到成熟的神经网络。通过训练后的网络,在年安全资金的投入和安全管理人员数量确定的条件下,可以预测危化企业发生事故的年限。通过本方法可以挖掘数据内隐藏的事故发生归路,为企业的安全管理提供参考意见。     

基于机器学习的肿瘤免疫治疗应答预测研究

肿瘤免疫治疗应答的预测对肿瘤治疗方案设计及治疗有着重要的意义。本文引入基于随机森林的机器学习方法,将病人黑色素瘤组织转录组RNA-seq的基因表达谱作为特征,对免疫检查点阻断治疗的结果进行预测研究。对病人的基因表达谱使用随机森林算法来构建预测模型,并与Logistic回归模型和XGBoost模型进行比较。实验结果表明,随机森林模型对免疫检查点阻断治疗的应答能够进行较准确的预测,并且较Logistic回归模型和XGBoost模型预测效果更好。     

基于优化BP神经网络的销售预测算法研究

已知国内房屋售价具有一定的不完整的规律性,其会因季节变换、人群流动、国家相关政策等一系列因素而呈现一定的规律.与此同时,该规律性并没有确定的单一因子可以直接影响,故其售价与全部因素之间的关系也是非线性的.针对这一问题,利用神经网络输入量的非线性、冗杂性和可不完整性,对一段时期内的房屋售价进行预测是一种合理的预测方法.基...     

基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算

目的 叶面积指数（LAI）是重要的植被生物理化参数,对农作物长势和产量预测具有重要研究意义。基于物理模型和经验模型的LAI估算方法被认为是当前最常用的方法,但两种方法的估算效率和精度有限。近年来,机器学习算法在遥感监测领域广泛应用,算法具有描述非线性数据拟合、融合更多辅助信息的能力,为了评价机器学习算法在玉米LAI遥感估算中的适用性,本文分析比较了随机森林和BP神经网络算法估算玉米LAI的能力,并与传统经验模型进行了比较。方法 以河北省怀来县东花园镇为研究区,基于野外实测玉米LAI数据,结合同时期国产高分卫星（GF1-WFV影像）,首先分析了8种植被指数与LAI的相关性,进而采用保留交叉验证的方式将所有样本数据分为两部分,65%的数据作为模型训练集,35%作为验证集,重复随机分为3组,构建以8种植被指数为自变量,对应LAI值为因变量的RF模型、BP神经网络模型及传统经验模型。采用决定系数R²和均方根误差（RMSE）作为模型评价指标。结果 8种植被指数与LAI的相关性分析表明所有样本数据中,实测LAI值与各植被指数均在（P<0.01）水平下极显著相关,且相关系数均高于0.5;将3组不同样本数据在随机森林、BP神经网络算法中多次训练,并基于验证数据集进行估算精度检验,经验模型采用训练数据集建模,验证数据集检验,结果表明,RF模型表现出了较强的预测能力,LAI预测值与实测值R²分别为0.681、0.757、0.701,均高于BP模型（0.504、0.589、0.605）和经验模型（0.492、0.557、0.531）,对应RMSE分别为0.264、0.292、0.259;均低于BP模型（0.284、0.410、0.283）和经验模型（0.541、0.398、0.306）。结论 研究表明,RF算法能更好地进行玉米LAI遥感估算,为快速准确进行农作物LAI遥感监测提供了技术参考。     

基于机器学习的模块化多电平换流器的模型预测控制研究

模型预测控制器(model predictive controller, MPC)因可实现多目标优化控制被广泛应用在模块化多电平换流器(modular multilevel converter, MMC)领域,但随着子模块数量增加,MPC的在线计算量成几何级数增长。因此,提出了基于机器学习的MMC的模型预测控制方法,首先利用MPC-MMC仿真平台收集数据并对数据进行预处理,再进行神经网络训练得到神经网络-MPC(neural network-MPC, NN-MPC)。为了提高神经网络训练效率,采用随机森林来优化神经网络的初始权值和阈值,得到随机森林-神经网络-MPC(random forest-neural network-MPC, RF-NN-MPC),将其用来模拟MPC。仿真结果表明,RF-NN-MPC在学习效率和学习精度方面都优于NN-MPC,在保持了良好的控制效果的同时,使MPC-MMC不受子模块数量约束,在线计算量始终为1次。     

基于机器学习的硬盘故障预测研究

硬盘故障所致的数据丢失和损坏给企业和用户带来重大损失,硬盘故障预测也因此引起了学术界和企业界的高度重视,涌现了不少基于机器学习的故障预测方法,但由于存在机器学习算法模型的样本数据差异、性能指标不一致等原因,无法合理评估预测方法的优劣。鉴于此,建立了基于机器学习的硬盘故障检测评估平台,在统一的实验平台中对随机森林、逻辑回归、多层感知神经网络、决策树、朴素贝叶斯、极端梯度提升树、梯度提升决策树和AdaBoost算法模型进行故障预测性能比较,主要针对相同样本集和同一性能度量进行预测对比研究,还对同一预测模型在不同大小样本集上的预测效果进行了对比。实验结果表明：随机森林模型和梯度提升决策树模型不仅预测精度很高而且对不同规模的样本集具有很强的泛化性。     

基于人工神经网络的中长期负荷预测算法

当前中长负荷预测的大部分方法都衍生于传统的线形统计理论,难以解决复杂的非线性问题.文中结合BP人工神经网络技术,利用人工神经网络所具有的非线性映射和函数逼近功能对中长期电力负荷进行了研究,提出了一种中长期电力负荷预测的思路.并利用北京市的实际数字对未来若干年的用电量进行了预测,实验结果表明,该算法具有较好的准确性和可行性.     

基于人工神经网络的中长期负荷预测算法

当前中长负荷预测的大部分方法都衍生于传统的线形统计理论,难以解决复杂的非线性问题。文中结合BP人工神经网络技术,利用人工神经网络所具有的非线性映射和函数逼近功能对中长期电力负荷进行了研究,提出了一种中长期电力负荷预测的思路。并利用北京市的实际数字对未来若干年的用电量进行了预测,实验结果表明,该算法具有较好的准确性和可行性。     

基于机器学习的智能出租车预测系统

为了更合理地调度出租车资源,提出基于机器学习的智能出租车预测系统.首先,对波尔图出租车GPS数据集进行分割处理,并抽取其中的一部分作为研究对象;接着利用回声状态网络算法预测旅行目的地;最后利用随机森林算法在相同情况下预测出租车抵达时间.实验表明本系统能根据当前的波尔图出租车GPS数据集预测出实际出租车某段旅程的目的地和旅程所需要的时间,以达到减少出租车资源浪费的目的.     

基于BP神经网络算法的数据挖掘方法研究

详细介绍了数据挖掘技术的相关概念、任务以及神经网络原理,指出了传统的BP算法在数据挖掘过程中的不足之处,提出了一种变异的BP神经网络算法,大大提高了BP神经网路算法的收敛速度.     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于机器学习的汽油精制作中辛烷值损失预测模型研究

有效降低汽油中烯烃含量和硫含量的同时较好保持成品汽油中的辛烷值已成为油品质量研究的热点。首先对催化裂化汽油精制脱硫装置产生的原料性质、待生吸附剂性质、再生吸附剂性质、产品性质、操作变量共367个变量数据进行预处理,然后利用因子分析法对数据进行样本降维,最终得到23个主要建模变量。然后分别运用K邻近法(KNN)、随机森林回归、BP神经网络回归算法建立辛烷值损失模型,通过对比拟合优度R2,确定拟合效果最好的模型为BP神经网络回归模型。最后利用遗传算法对主要变量进行优化,确定了硫含量不大于5μg/g条件下,辛烷值损失值最小的操作条件,并对辛烷值损失模型和操作变量模型进行验证,结果表明：辛烷值损失降幅约为48.3%,硫含量约为4.2μg/g,实现了优化模型可保证在脱硫的基础上,显著降低辛烷值损失。     

基于神经网络算法的建筑能耗预测系统研究

能源与环境是当今世界的两大热点问题,越来越受到人们的关注.在我国,城市的能耗大部分来自于建筑,建筑节能是我国可持续发展战略的一个重要组成部分.对建筑进行能耗预测能够对能源进行科学的管理并有效地节约能源,实现低碳.通过将神经网络算法与建筑能耗预测系统相结合,开展建筑能耗预测模型的研究,能够有效地帮助管理人员合理安排建筑系统的运行方式,评估能耗水平是否合理,从而实现建筑节能.     

基于改进BP的GDP预测研究

GDP时间序列具有线性和非线性的双重特征,所以传统统计预测方法、神经网络方法和集成预测方法都在预测分析时准确性不高,误差较大。文章提出由GDP时间序列,找出只具有非线性特征的GDP年增量百分比序列,以此建立基于BP的预测模型,对我国的GDP进行预测,仿真实验表明,改进的BP模型预测准确率明显优于目前的ARIMA-BP集成模型及单一BP模型的预测准确率,从而证实了改进的BP模型用于GDP预测的有效性。     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。