基于BP神经网络的网络小说排行预测

近年来随着"IP"热潮兴起,网络文学市场发展迅速,逐渐成为文化娱乐行业投资热点.本文将机器学习方法引入到小说排行预测方面,通过网络爬虫获取网络小说信息并提取了影响排行的特征,提出了基于BP神经网络模型进行小说排行预测.针对训练数据的不均衡,本文采用ROC和AUC作为预测评价指标;实验结果表明,基于BP神经网络的网络小说排行预测的准确率较高,相比传统的文学定性分析方法,机器学习预测方法可解释性和应用性更高.     

基于灰色残差马尔科夫模型的河南省小麦生育期旱涝灾变预测研究

介绍了残差灰色预测模型的原理和建模方法,应用马尔可夫状态转移矩阵对残差灰色预测模型进行了改进,并将此模型应用于河南省小麦生育期旱涝灾变的预测中.结果表明,改进的预测模型精度较高,比传统灰色模型预测效果好.     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

基于BP神经网络的FRP筋与混凝土界面黏结强度预测

纤维筋增强混凝土材料的界面黏结强度是评价其力学性能的重要指标之一.基于现有文献中的试验数据,建立了292组FRP筋混凝土拉拔试验的数据库,利用人工神经网络对FRP筋与混凝土之间的黏结强度进行预测.数据库被随机分成两个数据集,其中242组数据用于训练,50组数据用于仿真预测.利用反向传播算法训练了一个3层人工神经网络模型,该模型的输入层包括7个参数:FRP筋类型、表面形式、FRP筋直径、锚固长度、破坏模式、混凝土抗压强度和归一化的混凝土保护层厚度.输出层为FRP筋与混凝土界面黏结强度.结果表明,BP神经网络模型具有良好的预测和泛化能力,预测误差较小.该方法能够综合考虑众多FRP筋与混凝土界面黏结强度的影响因素,给出精确的预测结果.     

新型冠状病毒肺炎传播动力学模型构建与分析

为研究新型冠状病毒肺炎(简称新冠肺炎)传播机理和传播风险，预测疫情发展趋势，对政府制定相关疫情防控政策提供帮助，提出了一种新的新冠肺炎传播非线性动力学模型(SLEIR)。该模型考虑到疫情中采取保护措施的人群，将其作为低危群体加入到模型中；通过对模型的基本再生数、平衡点、稳定性和分岔等进行分析，揭示新冠肺炎传播机理；利用印度新冠肺炎真实数据对模型参数和部分状态初值进行最小二乘拟合，根据拟合的参数对印度疫情发展趋势做出预测。该模型对印度3～4月、4～5月两阶段疫情预测平均相对误差分别为4.107%和2.805%,对于印度10月最新的疫情，预测平均相对误差为3.266%,预测结果表明SLEIR模型具有较好的预测效果。与传统SEIR模型相比，该模型能适应印度疫情复杂的变化趋势，且具有更高的预测精度，可以为政府选择合适的防控措施提供技术支撑。     

基于深度卷积神经网络的RNA三维结构打分函数

非编码RNA的三维结构对于人们理解和干预其生物功能具有重要的意义，从计算的角度发展RNA结构预测方法可以加速结构获取过程，对三维结构进行评分是进行结构预测的关键步骤.近年来，基于机器学习的方法，如AlphaFold2，已在分子结构预测领域取得了革命性的进展.基于深度卷积神经网络，建立了一个对RNA三维结构进行评估的方法 .为了训练这一网络，建立了一个非冗余的含有422个RNA以及126600个decoys结构的数据集.训练得到的模型在RNA-Puzzles数据集上进行了测试，结果表明，在28个RNA中，网络从众多decoys中挑选出实验结构的正确率约为71.4%，这一结果比之前有所提高.另外，还对网络的工作机制进行了分析，发现神经网络对结构评分的倾向性和已知的物理化学知识相一致.     

基于MIGA-BP神经网络的短期电力负荷预测

准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同"岛屿"进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.