基于BP神经网络对汽油辛烷值损失预测模型的构建

汽油燃烧尾气中含有的硫、烯烃等混合物对环境造成了极大的污染,但企业脱硫降烯的过程也会降低代表企业利润的辛烷值含量.通过数据关联或机理建模,可以刻画化工过程与辛烷值含量的关系,为解决传统的数据关联模型中变量相对较少、机理建模对原料的分析要求高、对过程优化的响应不及时等问题,本文利用Matlab软件,基于粒子群优化算法,通...     

基于XGBoost和LSTM的台风强度预测模型分析

台风是在温带洋面上生成和发展的热带天气系统,引发的次生灾害具有极大的破坏性,准确估算台风强度是台风预报和灾害预警中极为关键的问题。目前,对台风预报还处于探索研究阶段,对其强度预测仍然是台风预报的难点之一。文章基于极端梯度提升(XGBoost)和长短期记忆(LSTM)模型对台风强度进行了分析与预测。实验结果表明,将XGBoost和LSTM组合应用于台风强度的预测是可行的,有较好的应用价值。     

基于XGBoost和LSTM的智能监控系统研究

本文对基于XGBoost和LSTM的智能监控系统进行研究,阐述了异常检测和趋势预测的实现,将智能监控系统与传统固定阈值报警进行实验对比,并观察数据的真实趋势和预测趋势,研究结果表明本文提出的智能监控系统可以提高异常检测的准确率,趋势预测效果较好。     

基于mRMR-BP算法的辛烷值损失预测模型研究

化工过程建模一般通过数据关联或机理建模的方法来实现,但由于炼油工艺过程的复杂性以及设备的多样性,其操作变量之间具有高度非线性和相互强耦联的关系.在传统的数据关联模型中,变量相对较少、机理建模对原料的分析要求较高,对过程优化的响应不及时,效果并不理想.本文为了降低模型求解的复杂性,使用互信息法和mRMR算法,对367个变...     

基于XGBoost的企业倒闭风险预测

企业经营风险预测对于判断企业的经营状况,指导企业的进一步行为具有实际意义。然而,对于大量的小微型企业来说,一般很难获得这些企业的真实财务信息,也缺乏全面的信用信息供参考。文章以企业主体在多方面留下的行为足迹信息构建训练集,基于不同的足迹行为数据分别使用eXtreme Gradient Boosting(XGBoost)算法构建预测模型,并使用线性加权融合多个模型,以企业在未来两年是否会退出市场为目标变量进行预测。结果表明,在现有数据的基础上,该模型可以有效预测企业的经营风险,相比于传统的方法,精度更高。     

基于XGBoost算法的坐席话务量预测

呼叫中心一词来源于英文Call Center,自其诞生以来就作为企业和客户之间的沟通桥梁,是客户和企业沟通最直接的渠道,因此优化呼叫中心的接听应答效率是管理者一直以来的追求.该文为了向管理者提供前瞻的话务量预测信息供管理者决策,提出了使用XGBoost、LightGBM、Catboost算法结合信息价值分析法选择的...     

基于改进XGBoost的企业员工离职预测模型

建立企业员工离职预测模型找出有离职倾向的员工,可以提前采取有针对性的措施,降低人才流失对企业发展造成的影响.文中选取IBM Watson Analytics平台发布的数据集,建立基于改进XGBoost算法的模型并与未改进前的模型进行比较研究.结果表明,改进后的模型在召回率以及AUC值指标上提高了100％和8％.     

基于XGBoost和改进LSTNet的气温预测设计

气温变化与人类的生产生活密切相关,对人类出行计划、农林生产以及军事作战等方面都有着重要影响,因此对于大气温度更加精准的预测具有一定现实意义。针对传统预测模型对气温预测精度不佳的问题,提出了一种融合极端梯度提升树(Extreme Gradient Boosting, XGBoost)和改进长短期时序网络(Long and Short-Term Temporal Patterns with Deep Neural Network, LSTNet)的气温预测模型。利用XGBoost进行特征筛选,降低数据维度;利用LSTNet进行改进,在其卷积层嵌入通道注意力(Channel Attention, CA)机制,强化显著特征;把循环神经网络层中的循环门单元(Gate Recurrent Unit, GRU)改为双向长短时记忆网络(Bidirectional Long Short-Term Memory, BiLSTM),并加入了时序注意力(Temporal Attention, TA)机制,使模型拥有同时提取正反向信息的能力且突出了重要时间步的信息;用建立好的模型进行预测实验和对比实验。实验结果...     

基于XGB-LSTM组合模型的白酒股票价格预测研究

股票数据具有非平稳、非线性的特点,传统模型对其预测的拟合度较低。选取2017～2022年的4支白酒股票作为研究对象,提出极限梯度提升机和长短期记忆网络组合的股票价格预测模型。首先对各支股票的原始成交量序列进行数据分析和特征构建;其次,利用XGBoost算法进行二次特征构建;最后,建立LSTM股票价格预测模型,并在4支股票上进行实例验证。实验结果表明：相比于传统预测模型,构建的XGB-LSTM模型对茅台、洋河、汾酒三支股票价格的预测损失最小,拟合度最高,证明了XGB-LSTM在股票价格预测中的有效性。     

基于神经网络的功率模块开关损耗预测

功率半导体器件的开关损耗的准确预测和评估对研究系统设计、选择合适的散热系统和提高系统的可靠性都是很重要的。采用功率半导体器件的开关动态测试系统,可以自动调整直流母线电压、集电极电流、门极驱动电压和开关频率,记录开关动态电压、电流波形,计算获得大量的损耗数据。通过建立人工神经网络模型对开关损耗预测,并改变模型参数进行分析与研究,获取最佳模型。     

神经网络边缘拟合

提出了一种基于神经网络学习特性和集合论的边缘分段算法(Merge Split),优点在于它的分段间断点、自由度满足自适应性,能在学习过程中实现而不必事先规定;进一步提出神经网络拟合不连续的图像边缘的方法,在无边缘数学函数形式的情况下,充分利用其学习函数的任意逼近和自学习性进行拟合,实践证明该方法可以克服以往边缘拟合方法的不足。     

基于多层感知器神经网络的路径损耗预测研究

为了更好地服务于5G及未来无线通信系统的网络规划与优化,开展了基于多层感知器(multi-layer perceptron, MLP)神经网络的路径损耗预测研究. 利用有限的地物类型,提出一种表征传播环境的简易方法,避免了繁琐的三维场景建模. 结合测量数据和由环境表征方法提取的环境特征,基于MLP神经网络建立了路径损耗模型. 数据实验的对比分析表明MLP神经网络能够实现路径损耗的准确预测,且环境特征的引入有助于提升模型性能. 为解决干扰地物影响路径损耗模型的准确性以及模型对环境变化的敏感性问题,根据视距(line-of-sight, LoS)和非视距(non-line-of-sight, NLoS)标签改进环境表征方法,进一步提升了模型的稳定性和泛化能力. 所做工作有助于了解无线电波传播特性,为无线网络优化和通信系统设计提供了理论依据.     

COLORED NOISE PREDICTION BASED ON NEURAL NETWORK

A method for predicting colored noise by introducing prediction of nonlinear time series is presented. By adopting three kinds of neural networks prediction models, the colored noise prediction is studied through changing the filter bandwidth for stochastic noise and the sampling rate for colored noise. The results show that colored noise can be predicted. The prediction error decreases with the increasing of the sampling rate or the narrowing of the filter bandwidth. If the parameters are selected properly, the prediction precision can meet the requirement of engineering implementation. The results offer a new reference way for increasing the ability for detecting weak signal in signal processing system.     

基于小波神经网络的网络流量预测研究

主要采用小波神经网络的相关理论和方法对某小区网络的访问流量情况进行建模和预测。利用收集到的网络流量变化情况作为小波网络的训练样本,成功实现了该网络的流量预测。试验仿真结果表明,构建的小波神经网络模型可以很好地实现对网络流量的高精度预测。     

基于串联BP神经网络多函数拟合的研究设计

在研究神经网络对非线性函数拟合的过程中发现一个网络同时只能对一个函数进行拟合,为解决这一问题,通过研究BP算法神经网络提出了串联BP网络来实现多个非线性函数的拟合。通过Matlab自定义网络结构实现串联BP网络,在Matlab下利用此串联网络同时对两个非线性函数进行了拟合,训练样本加入噪声信号,在经过342次训练后拟合误差达到了0.000978。实验测试结果显示本网络能够很好地对两个待拟合函数进行拟合,为同时进行多函数的拟合提供了新的方法。     

基于神经网络的洪水水位预测算法

鉴于洪水变化难以预料,及其给社会和人民群众带来的危害,提出一种新的洪水水位变化的预测算法.利用神经网络能以任意精度逼近非线性函数的特点,采用神经网络的有监督式学习,并将预测误差作为反馈来调整水位预测网络中的权值分布,以达到学习的目的.通过程序编程对此算法进行调试,得到了较理想的预测效果.     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。     

基于GM-RBF神经网络的光伏发电功率预测

为了提高光伏发电功率预测的精度,本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上,提出一种基于灰色径向基函数（Radical Basis Function, RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后,运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证,得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%,其预测精度均高于灰色预测算法和RBF神经网络预测算法。