人工神经网络在膀胱癌诊断中的应用

目的:探讨应用BP神经网络技术建立诊断模型来判断膀胱癌的可行性。方法:153例患者分为训练集和测试集,应用BP神经网络模型,建立人工神经网络诊断模型,然后随机抽样测试样本输入模型进行预测。结果:人工神经网络预测膀胱癌的灵敏度为100%,特异度为92.3%。结论:人工神经网络诊断模型对膀胱癌的判断有良好的诊断性能。     

电磁兼容的人工神经网络预测技术分析

电磁兼容预测是实现电子设备或系统电磁兼容性(electromagnetic compatibility,EMC) 的必要步骤.提出了应用人工神经网络对电磁兼容问题进行快速预测的方法.通过选择有效的电磁干扰参数作为输入预测因子,用误差反向传播的神经网络 (back propagation,BP)构造输入预测因子与敏感设备骚扰响应之间的映射关系,并用电磁场数值计算方法获得的训练样本集和测试样本集对构造好的BP网络进行训练,建立了基于BP网络的电磁兼容快速预测模型.最后以导线间的串扰问题为预测算例,表明了该方法的有效性.     

高斯隶属度函数模糊神经网络在肺癌诊断中的应用

选用隶属度函数为高斯函数的模糊神经网络用于肺癌诊断,尝试提高诊断的正确率.对于非二值输入参数,首先用高斯隶属度函数模糊化,然后与二值参数一起作为BP神经网络的输入参数.所用病例被随机分为训练集和证实集,训练模糊神经网络,用证实集测试该网络区分肺癌与非肺癌的能力.结果表明,用高斯隶属度函数的模糊神经网络比作为对照的三角形隶属度函数模糊神经网络诊断正确率有所提高,而且对病例如何分组不敏感.     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.     

芳香族化合物的快速生物降解性QSBR研究

分别采用线性基团贡献、支持向量机与人工神经网络法对芳香族化合物的快速生物降解性进行定量结构-生物降解关系(QSBR)研究,得到不同基团对芳香族化合物快速生物降解性的贡献值。线性基团贡献法对于训练组和测试组的预测正确率是80.3%和79.2%,总的预测正确率达80.1%;支持向量机的预测正确率分别是84.8%、85.4%和84.9%,而人工神经网络法的预测正确率分别是97.7%、81.2%和95.2%。结果表明,这3种方法的预测效果均较好。     

人工神经网络对结构动力响应的预测

本文应用人工神经网络对结构在地震波作用下的动力响应进行了预测，结果证明用改进的BP网络训练神经网络能达到很好的收敛效果，预测的结果相当精确，为结构的智能控制提供了很好的前提条件．     

BP人工神经网络在聚合物溶液体系活度预测中的应用

应用不同BP人工神经网络对不同聚合物溶液体系的活度进行了训练,共12个系统,613个数点,总的平均相对误差为0．0263,在采用相同BP人工神经网络对聚合物PS与不同溶剂溶液体系的活度进行试练时,总的平均相对误差为0．0212,而利用相同BP人工神经网络对同一聚合物不同溶剂溶液体系的活度进行预测时,总的平均相对误差为0．0484。     

以血液改变为首发的系统性红斑狼疮临床分析

目的：探讨以血液改变为首发症状的系统性红斑狼疮的诊断；方法：分析、观察10例病人的诊断及治疗过程．结果：可以防止不典型的系统性的红斑狼疮的误诊误治．结论：医生注意对血液改变病人的分析、观察能早期发现不典型红斑狼疮病人，减少误诊误治．     

基于SVR-BP算法的江苏省空气质量指数预测

针对江苏省空气质量指数(air quality index, AQI)的预测问题,提出一个将反向(back-propagation, BP)神经网络与ε-支持向量回归机(ε-support vector regression,ε-SVR)算法相结合的SVR-BP回归算法。对训练集采用ε-SVR进行样本筛选组成新的样本集,再采用BP神经网络进行预测。样本集选取的时间跨度为2 a,样本数据为江苏省共98个监测点空气中各成分的含量。分别采用SVR-BP算法、BP神经网络和ε-SVR算法在数据更新频度不同的3个模型下对未来72 h的AQI进行预测。实验结果表明:本研究提出的SVR-BP算法的平均绝对百分误差较ε-SVR算法提升了4%～19%;训练时间比BP神经网络少0.1～2.5 s。SVR-BP算法预测AQI更为高效,在实时训练及样本筛选方面有更广阔的研究前景。     

BP人工神经网络预测氯代有机化合物对发光菌的毒性

运用HypeChem7.0软件,用从头算(ab initio)方法对80个氯代有机物化合物的量子化学参数进行计算,将计算得到的参数作为描述符引入QSAR研究;采用BP人工神经网络对80个氯代有机化合物(包括脂肪族、苯、甲苯、酚和胺的氯代物)对发光菌的毒性进行预测,将80个样本中的72个样本作为训练集、随机抽取8个样本作为检测集,最终得到理想的预测结果。训练集(72个)和检测集(8个)的标准误差(MSE)分别为0.0545和0.0874,平均标准误差为0.0709;相关系数R分别为0.975和0.959,平均相关系数为0.967;结果表明:非线性的BP模型较多元线性回归模型有更好的稳定性和预测能力。证明量化参数与毒性之间存在着非线性关系。     

BP神经网络在信用风险评估中的应用

采用人工神经网络模型研究信用风险评估问题。研究利用BP算法训练多层前馈神经网络,给出了基于BP算法的信用风险评估计算步骤,最后以对个人信用评估为例,说明了人工神经网络在信用风险评估系统中的应用。     

一个具有图像语义的物体分类系统的实现

通过提取图像的底层特征,将特征输入BP神经网,应用共轭梯度法对网络进行有监督训练,即将先验知识加入神经网络中;一旦训练成功,依靠网络出色的泛化能力,系统就能正确识别图像中的物体和各物体的位置信息,这样就实现了对图像语义的理解.实验验证结果表明该系统对特定测试图像集的理解正确率达到了100%.     

基于BP神经网络的精对苯二甲酸回收系统水含量预测模型

采用电导率法测量精对苯二甲酸回收系统水含量,考察了电导率与水含量、金属离子浓度及温度的关系。以温度、金属离子浓度、电导率为输入变量,通过BP人工神经网络贝叶斯正则化算法建立水含量预测模型。优化后的BP神经网络模型结构为3-13-1,动量因子为0.75。使用优化的模型对水含量进行预测,测试集最大绝对相对偏差为4.36%,平均绝对相对偏差为0.96%,表明所建立的神经网络模型可较好地用于预测精对苯二甲酸回收系统的水含量。     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

利用人工神经网络预测毫米波的生物效应

利用BP神经网络模型建立了毫米波生物效应预测模型，模型经训练后可以准确地预测实验结果，表明采用L－M算法的BP人工神经网络是用于预测微波生物学效应的优良模型。     

用人工神经网络预测黑火药燃烧性能

利用人工神经网络算法建立了黑火药燃烧热力学参数的定量BP网络模型,通过10组配方的元素组成及其输出参数测试值对模型进行了训练,用另外9组配方的测试结果与相应的预测结果进行了对比研究. 结果表明,该方法能较好地对黑火药的燃烧参数进行预测,预测值和试验值误差小于7%,精度较高,可作为功能黑火药配方设计、输出特性参数预测的工具.     

基于主成分分析和高斯混合模型的茶叶分类研究

采用气相色谱-质谱(GC-MS)和液相色谱(LC)方法,结合主成分分析(PCA)、高斯混合模型(GMM)对49个茶叶样本进行分类判别研究.通过PCA对茶叶的GC-MS信号进行特征提取,结合LC测得的茶多酚等10个变量,运用GMM对茶叶样本进行分类,训练集正确率为99.44%,预测集正确率为90.47%,结果表明该方法适用于茶叶的分类及品质评价.     

基于Adam算法BP神经网络的 矿井环境瓦斯浓度预测模型

为了解决现有矿井环境瓦斯浓度预测方法无法处理大数据量、适应性差、误差较大、易陷入局部最优等问题,提出一种基于Adam算法的改进型BP（Back Propagation）神经网络模型,模型适用于矿井多环境参数下,对某区域内环境瓦斯浓度进行预测.对监测监控系统采集到的真实数据进行归一化处理并形成数据集,通过将Adam算法与BP网络模型进行有效结合形成新的网络模型.运用训练集对模型进行训练及调优后,迭代次数在1 200次后损失率趋于平稳,验证集预测的结果整体平均误差率为1.258%,结果表明:该优化模型提高了网络训练速度,且避免了传统BP模型容易陷入局部最小的缺点,同时降低了预测的相对误差.