基于改进WOA-Elman模型的舆情热度预测研究

针对公共卫生舆情事件的突发性和破坏性等问题,为了更精准预测舆情发生时的热度走向,本文构建了基于改进鲸鱼算法(WOA)优化Elman神经网络的舆情热度预测模型。首先根据百度指数和360趋势,对2020年1月1日至同年2月19日时段“COVID-19”事件的时间序列指标进行选取;其次利用WOA优化Elman神经网络初始值和阈值的方法进行训练和预测;最后与标准BP神经网络模型、标准Elman神经网络模型进行对比分析。结果表明,改进WOA-Elman的平均绝对百分比误差、均方根误差分别为4.784 3和219 363.784 4,该预测模型的预测结果与原始数据更吻合,预测精度和预测误差上更具优势,在解决突发公共卫生舆情事件热度预测问题上切实有效。     

基于EMD.ARXG模型的网络舆情预测研究

针对复杂的网络舆情数据,传统的模型预测已经无法对大数据背景下的舆论趋势进行有效的预测,因此,提出一种基于EMD.ARXG(经验模态分解-自回归)改进的组合模型来应对复杂的网络舆情预测,该模型弥补了单一预测算法的缺陷,提高了预测模型的准确性。以"韩国萨德"事件和"全国两会"事件作为舆情热点对其进行预测实验,引入WNN(小波神经网络)与EMD-BPNN(BP神经网络)进行舆情预测,并与EMD.ARXG模型进行实验对比,实验结果证明,EMD.ARXG模型具有较好的预估准确度。     

基于ARIMA和BP神经网络模型的舆情情感预测

针对重大事件网络舆情数量的激增,网络舆情安全监管和预警形势严峻的情况,提出一种基于ARIMA和BP神经网络组合模型的网络舆情情感预测模型,进而对新浪微博上采集的"余姚水灾事件"进行文本情感值计算,并对其情感变化趋势进行综合分析和预测。预测结果表明,也组合预测方法相对于单一预测方法具有更高的精度,进而说明该模型在网络舆情情感预测中的应用是可行的。     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

基于改进模糊神经网络的输电线缆制造质量预测方法

针对输电线缆制造质量预测问题,采用制造工艺关键指标数据基于改进模糊神经网络对制造质量合格率进行预测。首先通过引入模糊化层和模糊规则计算层建立模糊神经网络的结构,采用高斯函数建立模糊化层的隶属度函数,构建了隶属度函数均值和宽度的训练过程;接着基于帝国竞争算法对模糊神经网络中的隶属度函数学子因子和后件网络权重学习因子进行优化,优化目标为最小化神经网络收敛误差;采用改进模糊神经网络设计输电线缆制造质量预测流程。最后通过一个仿真算例验证了所建立的模型相比于传统神经网络以及基本模糊神经网络在输电线缆制造质量合格率的预测效果上更优,验证了所建立模型的有效性。     

基于改进池化层的弱标记声音事件检测

针对DCASE2017挑战赛任务4提供的大规模弱标记声音事件检测数据集,搭建了基于梅尔滤波器特征(Fbank)、卷积神经网络(CNN)以及循环神经网络(RNN)的多类别声音事件检测系统,分析了attention和linear softmax两种已有的常用池化层在神经网络反向传播中的部分推演过程,并在linear softmax池化层的基础上进行改进,提出了一种“指数可学习的幂函数softmax”池化层。实验结果表明,相比于DCASE竞赛中获得第一名的模型,应用“指数可学习的幂函 softmax”池化层的检测系统,将段级别的声音事件预测的F1值从0.556提高到0.652,帧级别预测的F1值从0.518提高到0.583,帧级别预测的error rate (ER) 从0.730降低到0.667。      

基于关系图卷积神经网络的多标签事件预测

事件预测需要综合考虑的要素众多,现有预测模型多数存在数据稀疏、事件的组合特征及时序特征考虑不足、预测类型单一等问题。为此,提出了基于关系图卷积神经网络的多标签事件预测方法,通过节点特征聚合技术实现数据的稠密化表示。模型利用卷积神经网络的卷积和池化运算,提取预测数据的组合时间段特征信息,并结合长短期记忆网络的时序特征提取能力,进一步提取预测数据的时序规律特征;最后,模型通过全连接的多标签分类器,输出多种类型事件发生的概率值。实验结果表明,所提模型可以支持进行多日期、多类型事件预测,在特定数据集上最高F1值可以达到0.85。     

音频标记一致性约束CRNN声音事件检测

级联卷积神经网络(CNN)结构和循环神经网络(RNN)结构的卷积循环神经网络(CRNN)及其改进是当前主流的声音事件检测模型.然而,以端到端方式训练的CRNN声音事件检测模型无法从功能上约束CNN和RNN结构的作用.针对这一问题,该文提出了音频标记一致性约束CRNN声音事件检测方法(ATCC-CRNN).该方法在CRN...     

突发环境事件中微博影响力的预测研究

构建突发环境事件中微博影响力预测模型,有助于相关部门及早发现问题,并采取行动,保障网络舆情平稳发展。因此,本文以“xx突发环境事件”为研究对象,根据微博转发、点赞和评论次数衡量其影响力,选取微博用户、内容、时间特征,建立基于AdaBoost算法的微博影响力预测模型,并对微博特征重要性进行分析,结果表明该模型的预测精度可达到93.2%,能够较好地完成预测任务。此外,微博的内容、时间特征、用户基本信息、用户活跃度均对微博影响力产生作用,长文本的、通知类的微博影响力更高,白天发布的微博影响力要比晚上发布的高,政府媒体用户和大V用户发布的微博影响力更高,原创度高的用户发布的微博影响力也会更高。     

基于VMD-HSSA-BP神经网络模型的短时交通流预测

针对交通流数据的非平稳性和短时交通流预测高精度要求的问题,提出了一种由变分模态分解（VMD）、改进麻雀搜索算法（HSSA）和BP神经网络的组合预测模型。模型利用变分模态分解降低历史交通流数据的非平稳性,使用Hammersley和自适应控制因子分别改进麻雀搜索算法种群初始化和发现者位置更新公式,提高麻雀搜索算法的收敛速度和寻优能力,使用改进后的麻雀搜索算法寻找BP神经网络的最优权值和阈值,提升BP神经网络预测的精准度。通过仿真,将模型与现有模型进行对比,模型预测结果更好,验证了模型能克服交通流数据非平稳性,并具有较好的预测精度。     

Social network bursty topic discovery based on RNN and topic model

The data is noisy and diverse,with a large number of meaningless topics in social network.The traditional method of bursty topic discovery cannot solve the sparseness problem in social network,and require complicated post-processing.In order to tackle this problem,a bursty topic discovery method based on recurrent neural network and topic model was proposed.Firstly,the weight prior based on RNN and IDF were constructed to learn the relationship between words.At the same time,the word pairs were constructed to solve the sparseness problem.Secondly,the “spike and slab” prior was introduced to decouple the sparsity and smoothness of the bursty topic distribution.Finally,the burstiness of words were leveraged to model the bursty topic and the common topic,and automatically discover the bursty topics.To evaluate the effectiveness of proposed method,the various experiments were conducted.Both qualitative and quantitative evaluations demonstrate that the proposed RTM-SBTD method outperforms favorably against several state-of-the-art methods.     

计算机病毒发展态势预测算法的评估

对计算机病毒发展态势预测,能够提前对网络安全状况进行判断,有利于做好事前防范,并建立预警机制。目前对计算机病毒发展态势的预测还处于探索阶段,传统算法在此方面的预测效果也尚不明确。这里比较了多种预测算法,如移动平均、态势预测、季节变动预测及线性回归等方法在实际计算机病毒发展分析上的预测准确率。通过对不同时间跨度,不同类型计算机病毒数据进行深入分析发现,线性回归和季节变动算法能够较好地适应具有时间周期性的计算机病毒日志数据。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于BBS的热点话题发现与态势预测技术的研究

网络论坛BBS是中国网民一个重要的信息传播渠道,而其中的热点话题自然就成为舆情调控和效果评估的首要目标。提出一个快速有效的用于挖掘网络论坛中热点话题并分析预测其发展态势的方法,利用统计的方法为同一版面下帖子的热度打分并排序,并使用相关的数学模型对热度较高的帖子的发展态势进行分析与预测。通过实验验证了该模型的可行性和有效性,为进一步研究复杂网络中热点话题的演化奠定了基础。     

基于BP神经网络的飞机娱乐系统采购短期预测

针对传统航材采购决策行为的局限性,研究了基于BP神经网络的航材采购短期预测方法,拟在建立BP神经网络模型的基础上,将BP神经网络模型运用到航材采购量短期预测中来,根据历史数据建立BP神经网络对其进行训练形成飞机娱乐系统采购量预测模型。阐明神经网络在决策时能提供更多的支持信息,实现采购数量科学化。并进一步通过预测结果说明基于神经网络的航材采购量短期预测是一个行之有效的方法,为民航航材集中采购的理论和方法提供借鉴和参考。     

基于社会系统响应函数的在线群体分类研究

该文致力于丰富在线群体的研究体系,为未来探索深层次科学问题提供支撑。讨论了在线群体与在线话题的定义及常见分类方式。重点展现了一种全新的依据观测社会系统响应函数的趋势将在线话题分为4类的定性研究方法,即外源性首要传播型话题、外源性次要传播型话题、内源性首要传播型话题和内源性次要传播型话题,并且进一步以此区分讨论不同类型话题的在线群体。同时,明确地提出了规范的使用步骤与实际操作时可能遇到的问题及解决方法。最后尝试运用该方法来估计以新浪微博与百度贴吧为代表的在线社交网络平台中各类话题群体的分布情况。     

神经网络在GDP预测中的应用

GDP预测因其影响因素众多,且各影响因素之间又存在着非常复杂的非线性关系,传统的线性预测方法对其进行预测时结果并不理想。基于提高GDP预测精度的考虑,运用人工神经网络的相关理论,建立了基于BP神经网络的黑龙江省GDP预测模型。结果表明,将神经网络应用于GDP预测可获得较高的预测精度,具有一定的实用价值。