物联网中基于KNN和BP神经网络预测模型的研究

物联网中,无线传感器网络由于环境、资源等因素的变化和限制,会导致部分数据异常或丢失,使数据传输的可靠性降低。因此常用的BP神经网络方法在根据最终获取数据进一步处理时的准确性不高。提出K近邻算法和BP神经网络相结合的二阶段预测模型,先使用K近邻算法对BP神经网络输入数据中异常或缺失数据进行估值和替换预处理,同时进行初步预测,然后将预处理后的数据输入BP神经网络,综合BP神经网络和KNN的预测结果给出最终结论。实际环境中实验表明,所提出的模型能够有效地提高物联网环境中预测的准确度和稳定性。     

基于序列的G蛋白偶联受体-药物相互作用预测研究

准确预测G蛋白质偶联受体(GPCR)是否与药物(Drug)相互作用是新药开发的关键步骤之一。从时间和费用方面来说,通过生物实验的方法来确定GPCR-Drug是否相互作用的代价是昂贵的。因此,直接从蛋白质序列出发预测GPCR-Drug的相互作用具有重要的意义。提出了一种基于序列的GPCR-Drug相互作用预测方法:从蛋白质序列抽取进化信息特征;对药物抽取指纹特征;基于上述两种特征,使用基于证据理论的K近邻算法进行分类预测。在标准数据集上的实验结果表明了所述方法的有效性。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于热度曲线分类建模的微博热门话题预测

及时掌握大众关心的热点话题是企业进行商业创新和商务营销的重要前提。现有方法大都依赖于非结构化数据的处理或反复遍历样本集,使算法复杂性较高。文中从话题的统计特性出发,提出建立在结构化数据上的非参数方法。首先对单个话题构建表征话题传播扩散程度和关注聚焦程度的热度曲线;然后对这些形态丰富的热度曲线进行分类建模,得到不同类别曲线的共性特征及发展规律;最后使用分类模型上的加权投票规则预测新话题是否会发展成为热门话题。基于新浪微博平台进行数据收集和实验,结果表明该方法数据结构简单、效果良好、复杂度低且易于控制。     

灰色模型和支持向量机组合的预测模型及其应用

针对流行色的季节性、时变性变化特点,提出一种灰色模型和支持向量机相融合的流行色预测模型.首先,分别采用灰色模型和支持向量机模型对女装流行色进行预测,然后,组合两种模型预测结果得到最终预测结果,最后,以2000～2011年度女装流行色进行仿真预测实验.结果表明,相对于其它预测模型,灰色支持向量机模型更能反映女装流行色动态变化规律,提高了女装流行色预测精度,丰富了女装流行色预测理论.     

Comparing lazy and eager learning models for water level forecasting in river-reservoir basins of inundation regions

This study developed a methodology for formulating water level models to forecast river stages during typhoons, comparing various models by using lazy and eager learning approaches. Two lazy learning models were introduced: the locally weighted regression (LWR) and the k-nearest neighbor (kNN) models. Their efficacy was compared with that of three eager learning models, namely, the artificial neural network (ANN), support vector regression (SVR), and linear regression (REG). These models were employed to analyze the Tanshui River Basin in Taiwan. The data collected comprised 50 historical typhoon events and relevant hourly hydrological data from the river basin during 1996–2007. The forecasting horizon ranged from 1 h to 4 h. Various statistical measures were calculated, including the correlation coefficient, mean absolute error, and root mean square error. Moreover, significance, computation efficiency, and Akaike information criterion were evaluated. The results indicated that (a) among the eager learning models, ANN and SVR yielded more favorable results than REG (based on statistical analyses and significance tests). Although ANN, SVR, and REG were categorized as eager learning models, their predictive abilities varied according to various global learning optimizers. (b) Regarding the lazy learning models, LWR performed more favorably than kNN. Although LWR and kNN were categorized as lazy learning models, their predictive abilities were based on diverse local learning optimizers. (c) A comparison of eager and lazy learning models indicated that neither were effective or yielded favorable results, because the distinct approximators of models that can be categorized as either eager or lazy learning models caused the performance to be dependent on individual models.     

基于贝叶斯模型加权平均方法的水文模型不确定性分析

贝叶斯模型加权平均（BMA）方法是通过综合几个模型预报值的后验分布来推断预报量的更可靠概率分布分析工具。它不仅能提供一个综合的预报值,还能提供一个综合的预报区间。本文采用3个水文模型,统一用SCE-UA算法率定参数,得到3组不同的预报值用于BMA方法的综合,着重分析比较BMA和单个模型的预报不确定性区间,来检验贝叶斯模型加权平均方法是否能提高预报的可靠性。结果表明,BMA方法不仅能提高预报精度,还能推求出性质更为优良的预报区间,提高预报的可靠性。     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

低复杂度视频编码算法研究与实现

研究帧内预测模式的选择。根据图像自身的特点,对其宏块的像素值进行平坦性分析,确定较小的模式搜索范围;再根据宏块的方向性,排除小概率预测模式,从而大大缩小视频帧内编码的搜索模式范围。实验表明,改进算法提高了编码效率,平均节省约52.40%的模式预测时间,在保证视频图像质量的同时,实现低复杂度的视频编码新算法。     

我国煤矿瓦斯涌出量预测方法综述

介绍了目前我国煤矿瓦斯安全的现状和瓦斯涌出量预测的6种方法,分析了预测方法的原理和适用条件,并对预测方法的性能进行比较。