用神经网络模型预测饱和液体的传递性质

使用神经网络模型，对纯物质的饱和液体传递性质粘度、导热系数及表面张力与温度的函数关系进行预测。对常见的350多种有机物的预测结果表明，在熔点到临界点的温度范围内，粘度、导热系数及表面张力的平均预测误差分别为0.12%、0.09%和0.03%。     

改进神经网络模型对通信网可靠性的预测

首先利用一种改进后的粒子群算法对BP神经网络权值的选取进行优化,然后以LAN/WLAN集成网络为背景,用三种方法（BP神经网络、改进PSO算法优化后的BP神经网络、SVM）建立了LAN/WLAN集成网络可靠性的预测模型,最后通过实验比较,证明了改进后的神经网络模型预测通信网的可靠性、有效性和优越性。     

基于BP神经网络的农村用电量预测的研究

农村用电量预测是县级供电部门的重要工作之一，其受国民生产总值和上年度用电量的影响，具有一定的随机性。利用BP神经网络建立了农村用电量预测模型。通过应用实例分析表明，预测结果和实际结果有很好的一致性。     

小波神经网络在粮食产量预测中的应用

文章提出一种基于小波神经网络的粮食产量预测模型。给出具体的网络学习算法,并结合算法对我国粮食产量进行预测。为验证模型有效性,进行了对比测试。分析结果表明,小波神经网络模型比传统的BP神经网络模型具有收敛速度快,预测精度高的特点。     

基于MATLAB神经网络的水稻需水量的预报模型

作物需水量的预测是进行水资源规划和管理的有效手段。它与气象因子之间存在着严重的非线形关系。建立4个输入单元和1个输出单元的三层BP网络，选取不同的隐层结点数进行训练，并通过比较其相对误差的大小确定了神经网络的结构。利用MATLAB环境．提出基于BP神经网络的水稻需水量预报模型，并结合实际数据进行了检验。结果表明：该方法能够较好地反映气象因子与水稻需水量之间的关系，收敛速度快，预报精度较高。     

基于深度神经网络的胎儿体重预测

由于胎儿体重是反映胎儿生长发育情况、宫内异常妊娠情况的重要指标,因此,胎儿的估重是医生对产妇进行临床处理的一个重要依据。传统胎儿体重预测模型的构建依赖于医学知识与生理参数选择,因此构建过程不易进行复制与推广。针对这些问题,提出一种使用深度神经网络来构建胎儿体重预测模型的方法,同时介绍了从电子病历中提取相关参数的过程,以及针对数据缺失值的补全策略。实验表明,基于深度神经网络的胎儿体重预测模型优于公式预测方法与基于传统人工神经网络的模型,且提出的缺失值补全策略能够强化模型的训练,进而提高预测的准确度。最后,基于深度神经网络的胎儿体重预测模型有很强的泛化能力与通用性,为不同地区、不同医院建立个性化的预测模型提供了可行方法。     

基于图神经网络的城市交通流量预测

随着社会发展,城镇化的推进和人民生活水平的提升使得城市中的交通运输车辆与日俱增。加之大量农村人口流向城市,使得城市有限的空间内一时间开始大量聚集众多人口,在城市上下班高峰时期,各交通要道的机动车拥堵问题正困扰众多城市的发展和城市居民的生活质量。对此,城市交通运输领域一直在探索交通流量的监控与预测手段。这在传统技术背景下似乎是一个难以完成的任务,但在信息技术高速发展的当下,智能化的城市交通系统开始出现,并利用信息技术、电子传感技术、电子控制技术、计算机处理技术等逐步实现了城市交通调控与管理的智能化。在这一智能化交通系统中,交通流量的预测是其交通管理与调控的基础性环节,而流量的预测数据也正是其他工作开展的重要依据。因此,在交通流量预测方面选择科学有效的方法进行预测模型构建就成为影响城市智能交通系统作用发挥的重中之重。本文以图神经网络为技术视角探讨了城市交通流量预测模型的建构,希望能够对现代智能交通系统的建设提供参考。     

Keras神经网络预测大乐透彩票的实现

介绍大乐透彩票的现状,以及将Keras神经网络算法与大乐透彩票相结合,建立大乐透彩票预测模型,实现了一个多输入、多输出的模型,输入的是7个号码的时间序列,输出则是每个位置出现某个球的概率,并将最近的100期开奖数据作为样本数据进行实验训练,再建立基线模型进行对比,通过实验对比发现模型预测能提高大乐透彩票的中奖概率.对运...     

基于BP神经网络的预测建模系统的研究与实现

神经网络具有良好的记忆、归纳和学习能力,对难以用数学方法建立精确模型的信息、工艺等能够进行有效地预测建模。该文通过对BP神经网络的分析和研究,针对传统BP算法的不足,采用Levenberg—Marquardt(LM)优化算法的建立一个基于BP神经网络预测建模系统。在介绍了系统的主要功能之后,给出了用MATLAB软件实现该系统主要模块的具体程序。最后采用该系统对一个制造过程中刀具磨损量的进行了预测建模,实验仿真结果表明：系统具有良好的预测效果,刀具实际磨损量与预测磨损量的误差基本上在10％以下。     

神经网络用于三元分子混合物密度与粘度的预测

以二元系实验为基础，利用反向转播算法训练神经网络，构造混合物组成，温度等与物性关系的模型，用于对４个三元混合物体系（１）邻二甲苯－间二甲苯－对二甲苯；（２）四氯化碳－环己烷－２－丙醇；（３）甲醇－丙酮－水；（４）水－甲醇－乙二醇的密度和５个三元混合物体系（１）信甲苯－间二甲苯－对二甲苯；（２）四氯化碳－环己烷－２－丙醇；（３）氯仿－２－丙醇－２－丁醇；（４）甲醇－丙酮－水；（５）乙醇－甲醇－水的粘     

基于神经网络的公路隧道通风控制

研究并设计了一种基于神经网络和专家系统的公路隧道通风智能控制系统。控制系统在原反馈信号——污染物浓度基础上,加入了车流量和车速前馈信号,并通过改进的BP神经网络预测污染物浓度,合理的完成了对通风设备的控制。结果表明,该系统优于传统的分级式反馈控制方法。     

基于BP神经网络的城市环境空气质量预测模型

本研究以监测所获得的数据为基础,运用BP神经网络算法原理,建立了城市环境空气质量预测模型,并对该模型的泛化能力进行了误差评价.结果表明：通过BP神经网络建立的空气质量预测模型具有较高的预测精度,预测结果的相对误差均在5％以内,能够很好地满足实际应用的需求.更重要的是,所建立的预测模型无需了解空气质量变化的内部机制,比传统的基于复杂数学模型的预测方法更为便捷,为环境保护部门可以提供更加可靠的决策依据.     

Estimation of Battery State of Health Using Back Propagation Neural Network

100 pieces of 26650-type Lithium iron phosphate（LiFePO4） batteries cycled with a fixed charge and discharge rate are tested, and the influence of the battery internal resistance and the instantaneous voltage drop at the start of discharge on the state of health（SOH） is discussed. A back propagation（BP） neural network model using additional momentum is built up to estimate the state of health of Li-ion batteries. The additional 10 pieces are used to verify the feasibility of the proposed method. The results show that the neural network prediction model have a higher accuracy and can be embedded into battery management system（BMS） to estimate SOH of LiFePO4 Li-ion batteries.     

联合无监督词聚类的递归神经网络语言模型

研究表明,在递归神经网络语言模型的输入层加入词性标注信息,可以显著提高模型的效果. 但使用词性标注需要手工标注的数据训练,耗费大量的人力物力,并且额外的标注器增加了模型的复杂性. 为了解决上述问题,本文尝试将布朗词聚类的结果代替词性标注信息加入到递归神经网络语言模型输入层. 实验显示,在Penn Treebank语料上,加入布朗词类信息的递归神经网络语言模型相比原递归神经网络语言模型困惑度下降8~9%.     

使用预测-校正模型优化网络流量预测的神经网络

针对基于传统BP算法的前向神经网络预测网络流量方法的不足,构建了一种二级的网络流量预测-校正模型。该模型具有较高的预测效率和峰值预测精度,在实际网络流量的预测中取得了良好的效果。     

Predicting Network Security Situation Based on a Combination Model of Multiple Neural Networks

Due to rapidly increasing complex attacks, networks become more and more insecure. How to accurately predict the future security situation of networks is thus an important research issue. Forecasting security situation can improve the awareness of network states and provide decision support to threat analysis and network planning. This paper provides a combination model of neural networks to predict the security situation of computer networks. Our contribution is in two aspects. On the one hand, we select several single neural network models including Backward Propagation (BP) network, Elman network, and Radial Basis Function (RBF) network to construct the combination model. On the other hand, we use the entropy method to determine the weights of each single model in the combination model. Experimental results show that the proposed combination model can predict the security situation of networks more e?ectively than any single neural network.     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

基于灰色神经网络和自适应网络过滤的流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。在灰色神经网络研究的基础上,提出一种新的网络预测方法,通过自适应过滤法对灰色神经组合模型时产生的残差进行修正,从而达到比较精确的效果。实验结果表明,该方法有效可行。     

基于AFSA—BP神经网络的基坑变形预测模型研究

为改善BP神经网络收敛速度慢、初始权阈值对计算结果影响较大且易陷入局部最优等缺陷,为提高模型的预测精度和稳定性,使用具有全局优化能力的鱼群算法优化BP神经网络的初始权阈值,依托工程实例,将BP模型及改进的模型用于基坑变形预测中,通过预测值与实测值进行对比,结果表明：AFSA-BP模型的预测精度要高于BP模型,且预测结果稳定、预测速度较快、预测误差可以满足工程的要求,对于下一步施工具有良好的指导作用,所以AFSA-BP模型是一种有效的基坑变形预测模型。