神经网络在高技术项目投资风险评价中的应用

在对高技术项目投资风险因素分析的基础上，建立了能够预测项目投资风险的三层Levenberg-Marquardt Backpropagation Neural Network(LM-BP)人工神经网络模型。采用此人工神经网络模型，隐含层和输出层传输函数皆为purelin,各层内的所有权重相等，偏置也相等，模型避免了“过拟合”现象的发生。预测结果表明，该神经网络模型稳定可靠，所获得的结果是令人满意的。     

BP人工神经网络在股票预测中的应用

投资越大风险越大,如何建立一个精确度和运算速度相对较高的股市预测模型对于金融投资者具有重大理论意义和实际应用价值.将人工神经网络应用到股票预测上面成为一个新的趋向.将用人工神经网络求解股票预测中的难题成分分析,建立三层BP神经网络并且分析收敛速度,得到当选择的数据合理且具有很好的性质时,拟合效果会更加准确,最终得到股票在短时间内的向.从而说明BP神经网络对于股票价格的预测具有可行性和合理性,进而对提高股民的收益做出帮助.     

大型房地产投资项目风险评价的人工神经网络模型研究

大型房地产投资项目在建设过程中存在着大量的风险，投资者在决策前必须对风险进行合理的评价。建立风险评价的神经网络模型，并将人工神经网络理论应用于风险评价中，是投资决策的重要研究内容。     

基于灰色理论的ANFIS在经济预测中的应用

利用灰色理论本身的特征对经济参数进行预测,并运用自适应模糊神经网络对其拟合误差进行预测,从而达到较好的预测效果.最后以安徽省历年固定资产投资实际数据为例,利用人工神经网络建立经济预测模型,模型预测结果较传统灰色理论直接预测更符合实际趋势,效果较好.     

基于人工神经网络模型的油气管线点腐蚀蚀坑深度的预测

作者设计了反向传播人工神经网络模型来预测油气管线点腐蚀蚀坑深度。用"留一法"训练了神经网络模型,使其具有最佳的预测性能。然后用经过训练的模型预测了一些样本的点腐蚀蚀坑深度。用散点图和三个统计学指标—均方误差(MSE)、相对均方误差(MSRE)和拟合分值(VOF)评价了人工神经网络模型的预测性能:散点图显示蚀坑深度的预测值与测试值符合程度较高;均方误差(MSE)值为0.0389mm,相对均方误差(MSRE)值为1.32%,拟合分值(VOF)的值为1.9992。从总体上看,人工神经网络模型具有较高的预测精度。     

关于恒流状态下膜堵塞定律与神经网络模型的比较研究

虽然膜堵塞定律和人工神经网络模型被广泛应用于膜过滤系统的模拟及预测中,然而这些模型在恒定流系统中的应用却很少,目前关于膜阻塞定律模型与神经网络模型的比较性研究几乎空白.在对膜堵塞定律与神经网络模型的模拟性能进行评价的基础上,通过模型对实验特定阶段的拟合揭示了膜污染的机理.     

人工神经网络预测纯金属的表面张力

建立了以纯金属原子半径、熔点、沸点和原子化焓预测表面张力的人工神经网络模型。训练后的神经网络能较好的拟合实验数据。对４０种金属的表面张力进行回想和预测结果与实验值的偏差在可接受范围内，表明人工神经网络在纯金属表面张力预测方面有一定的前景。     

基于人工神经网络的设备可靠性组合预测方法研究

提出了一种基于人工神经网络的非线性组合建模与预测新方法,利用人工神经网络对复杂非线性系统的拟合能力,通过网络训练自适应地调整单一预测模型的权重,并应用MATLAB神经网络工具箱编制了非线性组合预测软件。将该方法应用于某发动机的故障预测,通过与自回归模型、灰色模型和线性组合模型的预测结果对比表明,该方法具有预测精度高,学习与泛化能力强的优点,在设备故障和可靠性预测中具有广泛的应用前景。     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

基于改进BP神经网络的路基材料性能预测

结合人工神经网络原理，分析了路基材料性能的影响因素，采用GSL变换改进后的BP神经网络来预测路基材料的有关性能，通过直接对实验数据的神经网络学习，发现各力学参数之间的关系，从而建造了路基材料性能的人工神经网络模型，对路基材料的无侧限抗压强度和回弹模量进行了预测，结果表明，该模型收敛速度及预测精度均得到改善，可以很好地拟合输入参数与输出参数之间的非线性关系，有较好的实际应用价值。     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

基于贝叶斯正则化神经网络的径流长期预报

针对神经网络用于径流长期预报时,网络结构过于复杂而易出现过拟合的问题,采用主成分分析和贝叶斯正则化神经网络对预报模型进行改进.首先利用主成分分析对输入因子进行降维和优化,然后通过贝叶斯正则化对网络权值的限制来简化网络结构,从而有效地抑制过拟合.对嫩江流域江桥站年平均径流的仿真结果表明,贝叶斯正则化神经网络结合主成分分析的预报方法,可以显著地提高泛化能力和预报精度,而且网络收敛也比较稳定.     

融合植被指数的3 D-2D-CNN高光谱图像植被分类方法

对于基于高光谱图像的植被分类,利用三维卷积神经网络和空谱结合可以取得良好的效果。但存在计算代价大、参数过多容易过拟合等问题。基于此,设计了一种三维卷积与二维卷积相结合的深度网络,通过数据分块的思想减小了计算量;并提出了一种融合植被指数的特征提取方法,改善了现阶段因高光谱图像样本数量少、光谱层间信息相关度高,造成的容易过拟合的问题。在植物园数据集、IP数据集和PU数据集上的实验结果表明该算法以较低的计算复杂度取得了出色的分类效果,具有较好的应用价值。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

粗糙集神经网络理论在矿井通风系统评价中的应用

针对矿井通风系统神经网络评价法中建立样本的不稳定性问题,开展了基于粗糙集和BP神经网络理论的通风系统综合评价研究。以某矿井通风系统为研究对象,应用粗糙集数据分析系统对矿井通风系统评价指标的原始数据样本的分类质量进行了检验;在此基础上,基于人工神经网络理论,建立了矿井通风系统的粗糙集神经网络评价模型,从而形成了一种新的基于粗糙集神经网络理论的矿井通风系统评价方法。研究结果表明,经过模型的数据检验和应用性验证,其理论评价结果与实际情况相符,且网络总误差小于0.004;这说明基于粗糙集神经网络的综合评价方法在矿井通风系统评价中有很好的实际应用效果。     

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.     

基于PCA-BNN的页岩气压裂施工参数优化

国内外学者在已有大量国外页岩压裂样本数据的前提下,开展了基于机器学习的页岩气压裂有效期预测及压裂参数优化的研究。随着近年来中国F气田不断地规模开发,积累了大量的压裂施工、生产动态、解释成果数据。通过利用已有的200口井的压裂施工历史数据及储层物性参数建立贝叶斯神经网络模型来优化压裂施工参数。选取对压裂效果有影响的储层物性参数、完井参数、压裂施工参数,用皮尔逊相关系数法分析11个参数的相关性;用主成分分析法（PCA）进一步降维处理,以降维后的主成分作为贝叶斯神经网络模型的输入参数,以压裂效果评价指标（有效期）为输出参数,引入贝叶斯方法自适应调整正则化系数避免神经网络过拟合,生成三层贝叶斯神经网络预测模型。用200口井中90%的井数据作为训练集,10%的井数据作为测试集,对该模型进行训练,实验结果表明,训练后该模型预测测试集的相对误差均值在5%以内,可以用来优化压裂施工参数。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比MAPE确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型MSE降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和L-M算法对神经网络进行训练,前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。     

融合预训练的港口吞吐量LSTM预测模型

港口吞吐量时序变化数据量较小且变化快,传统LSTM神经网络在此类数据上易出现过拟合,导致模型预测性能不佳。针对此问题,本文提出融合预训练与LSTM时序模型,通过预训练捕获任务领域的全局信息,再用LSTM模型精确描述各个港口的吞吐量变化规律,以提升模型对全部港口吞吐量预测的准确性。以天津港等15个中大型港口过去二十一年的月吞吐量为实验数据,以BP、ARIMA、传统LSTM等预测模型和目前流行的GNN-LSTM模型为比较基准进行仿真实验,结果显示本文所提出的融合预训练的LSTM模型能有效解决LSTM神经网络的过拟合问题,整体预测准确率高于所有基准模型。与传统LSTM模型相比,基于预训练的LSTM的MAE指标平均降低45.2%%,最多降低80.0%。