模糊神经网络视角下云桌面虚拟时序预测探讨

网络虚拟化技术社区时序数据建模是许多学者研究的新型课题,以其模糊神经网络环境下复杂网络虚拟化技术社区时序数据预测系统中,同时基于提出模糊神经网络视角下网络虚拟化技术时序数据预测中的应用。     

基于神经网络的隧道小时交通量预测方法

充分利用人工神经网络强大的学习能力和其对非线性系统很强的模拟能力以及MATLAB的人工神经网络工具箱的强大功能,建立隧道小时交通量神经网络预测模型,对隧道短期交通量预测方法进行研究。研究测试结果表明经过训练后的神经网络能够很好地预测隧道下一时段的交通量,其精度完全可以满足实际应用的要求。用神经网络理论进行隧道小时交通量预测具有建模容易、精确度高、联想记忆等优点。     

基于Elman神经网络的风速时间序列预测实例

风速时间序列具有非线性和非平稳性的特点,传统的预测方法难以建立风速间的函数关系,因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点,文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列,初步探讨了神经网络风速预测的可行性。结果表明,Elman神经网络经过训练,具有时序非线性拟合的能力,但预测结果精度尚未提高。     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

基于GRU的种猪生长性能预测云平台的设计

本文将利用物联网,云计算和神经网络来搭建基于GRU门控循环神经网络的种猪生长性能预测云平台。本次研究的主要工作和成果有：（1）搭建物联网数据采集平台,设计云模式的物联网通信架构,用网关+MQTT依靠工业互联网实现全国范围内种猪生长数据自动采集。（2）利用云计算技术,构建分布式云服务应用,为种猪生长测定数据设计集中的数据存储,分析和应用的云平台。设计时考虑云平台数据的安全性,服务的稳定性和性能瓶颈。（3）数据挖掘,使用GRU神经网络对测定的生长数据进行训练。选取影响因子较大的特征进行数据预处理后,加入GRU模型中训练,得到种猪生长性能预测模型。     

智能物联网时序数据分析关键技术研究综述

智能物联网是人工智能和物联网的结合,通过人工智能技术处理物联网产生的海量数据,提供智慧化的分析和决策,从而提升数据的实用价值。智能物联网被广泛应用于智慧城市、智慧医疗、智能家居、无人驾驶等多个领域。时间序列数据是智能物联网中最重要的数据类型之一。时序数据泛指一切随时间有序变化的数据集合。智能物联网各种应用场景产生的海量监测数据多以时序数据的形式存在。智能化的时序数据分析技术,包括时间序列分类、聚类和异常检测等,是支撑智能物联网应用的重要基础。本文对智能物联网时序数据分析中重要程度高、需求迫切的关键技术问题进行总结和分析,并进一步探讨未来的研究方向。     

神经网络方法及其在通信信号处理中的应用

在介绍人工神经网络基本原理的基础上,结合通信信号处理应用实例,讨论了神经网络技术在非线性特征提取和信号识别分类中的应用.     

基于神经网络的HEMT大信号模型

运用人工神经网络技术建立了高电子迁移率晶体管(HEMT)的大信号模型。通过脉冲I-V测试和测量不同偏置条件下的S参数,获得了大信号等效电路模型中寄生参数和非线性本征元件的数值。通过BP神经网络,利用偏置相关的非线性元件值作为训练样本,利用误差反向传播的Levenberg-Maquardt方法训练神经网络并得到了网络权重数据。模型中的非线性元件在CAD软件中用神经网络实现,并将权重数据和CAD软件结合进行仿真。测试和仿真结果表明模型具有很高的精度。     

物联网信息感知与交互技术研究

在信息技术不断成熟的背景下,人们关注的焦点不再是互联网,而是由互联网升级而成的物联网。作为互联网技术的产物,物联网在人们生活中的地位不断提升。本文对信息感知以及信息交互进行研究,并结合物联网的实际应用,从数据收集、数据融合、数据聚集、内容网络交互以及用户内容交互等方面进行论述,探讨互联网开发所面临的技术瓶颈,并给出优化物联网技术的可行策略,旨在为物联网开发人员提供参考。     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

Online Fault Prediction Based on Combined AOSVR and ARMA Models

Accurate fault prediction can obviously reduce cost and decrease the probability of accidents so as to improve the performance of the system testing and maintenance. Traditional fault prediction methods are always offline that are not suitable for online and real-time processing. For the complicated nonlinear and non-stationary time series, it is hard to achieve exact predicting result with single models such as support vector regression （SVR）, artifieial neural network （ANN）, and autoregressive moving average （ARMA）. Combined with the accurate online support vector regression （AOSVR） algorithm and ARMA model, a new online approach is presented to forecast fault with time series prediction. The fault trend feature can be extracted by the AOSVR with global kernel for general fault modes. Moreover, its prediction residual that represents the local high-frequency components is synchronously revised and compensated by the sliding time window ARMA model. Fault prediction with combined AOSVR and ARMA can be realized better than with the single one. Experiments on Tennessee Eastman process fault data show the new method is practical and effective.     

对角型广义RBF神经网络与非线性时间序列预测

径向基函数（RBF）神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳（BYY)谐和学习算法进行隐层单元个数的选择和参数初始值的设置,且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。      

基于注意力机制的全海深声速剖面预测方法

海水中的声速剖面具有明显的时间演化特性,其预测问题可以看作一个非线性的时间序列预测问题。解决此类问题的常用方法大多使用预定义的非线性形式,无法捕捉真正潜在的非线性关系。循环神经网络作为一种为序列建模特别设计的深度神经网络,在捕捉非线性关系上具有极大的灵活性,在非线性自回归的时间序列预测这一问题上展现了它的有效性;注意力机制能够从众多信息中选择出对当前任务目标最关键的信息,对多变量时间序列在时空维度上的非线性关系进行捕捉。该文利用深度学习中的循环神经网络,添加双层注意力机制构建多变量时间序列预测模型,对浅海环境下时变的全海深声速剖面进行预测。多个模型的预测结果表明,该模型相对于单纯的编码-解码模型有着明显的预测性能提升,并且注意力权重的分布能够与实际物理现象相关联,为水声学中物理模型与机器学习的结合提供了新的思路。     

基于神经网络的高校涉密项目风险预测

针对高校涉密项目风险因素多和保密环境复杂的特点,利用三层BP神经网络对能够逼近任意非线性函数的良好特性,突破传统上基于统计学方法进行预测的限制,综合了时间序列的计算简单,需要历史数据少的优点,设计了一种体现时序的多因素动态时间序列BP神经网络预测模型,并将模型运用于某高校涉密项目泄密风险的预测研究中。仿真实验表明,此方法切实可行,而且具有较好的预测精度。     

基于ARIMA-RNN组合模型的云服务器老化预测方法

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法.首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历...     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

基于MEMS谐振器硬件储备池计算的类脑信号处理方法

近年来兴起的人工神经网络由于具有较强的自学习适应性和并行信息处理能力,从而在信号处理领域显示出巨大潜力。储备池计算是一种由递归神经网络衍生而来的类脑神经形态计算范式,对随时间变化的连续信号具有非常好的分类和时序预测能力。本论文提出利用MEMS(Micro-Electro-Mechanical System)梁谐振器的非线性响应特征,设计并搭建了两种储备池计算的拓扑架构。此外,面向雷达信号处理中信号预测、图像识别、雷达信号特征分类和提取等应用需求,针对性地选择了NARMA(Nonlinear Auto Regressive Moving Average Equation of Order)预测任务、MNIST(Mixed National Institute of Standards and Technology)-手写数字图像识别、LFM(Linear frequency modulated)脉冲波形识别与特征提取等测试任务对论文所提两种不同储备池计算架构进行试验验证。同时,实验结果也充分展示了基于非线性MEMS谐振器的储备池计算硬件系统在雷达信号预测、分类与特征提取等应用领域中的应用...     

BP神经网络的一个带跳步策略的学习算法

本文利用模型逼近度的概念和跳步策略，给出了ＢＰ神经网络的一个自适应跳步学习算法，对Ｆｉｓｈｅｒ提出的分类问题和一个实际的非线性时间序列预测问题进行了计算，结果表明本文法取得了良好的效果。     

采用序贯学习的改进型Elman神经网络预测研究

针对石油化工领域监测系统中,广泛存在的非线性时间序列预测问题。将Elmann神经网络方法引入化工过程监测的在线预测。并在其理论框架基础之上,改进了Elman神经网络的内部结构,引入了串行学习机制,可以根据实时数据对网络进行在线训练,提高网络预测精度。通过对某芳烃厂实时数据在线预测仿真,表明该方法能够准确地在线预测未来数据,同时具有训练速度快、结构简单、适应性强的优点。