轻度认知障碍转化阿尔兹海默病影像预测研究

基于结构核磁共振影像,探讨轻度认知障碍向阿尔兹海默病转化情况.选取152例轻度认知障碍、101例阿尔兹海默病、97例正常对照组的结构核磁共振影像为研究对象.首先,采取独立成分分析方法对阿尔兹海默病和正常对照样本进行组间特征提取;其次,执行感兴趣体素分析,获取组间差异特征信息,并将轻度认知障碍样本在阿尔兹海默病和正常对照组的特征空间上进行表达,获取轻度认知障碍样本特征信息;最后,运支持向量机,对轻度认知障碍样本进行转化预测.测试结果:预测准确率、灵敏度、特异度分别达到80.26%、86.30%、74.68%.结果显示,利用阿尔兹海默病和正常对照个体之间的差异特征能够比较准确地对轻度认知障碍向阿尔兹海默病转化进行预测.     

电力负荷预测技术及其发展趋势

介绍了电力系统负荷预测方法的几种分类方法、神经网络负荷预测方法及其在短期负荷预测中的研究情况,也指出了负荷预测技术的发展趋势。     

基于深度神经网络的中期电力负荷预测

电力负荷预测的精确度对于电厂的实际发电量、配电、系统维护以及与电价相关的能源供应商运营计划等都有着极大地影响;研究了前馈深度神经网络和递归深度神经网络在中期电力负荷预测中的应用及其准确性和计算能力分析;首先,针对收集的原始数据集进行预处理,提出了一种时域-频域分析特征提取方法,该方法可以充分地挖掘隐藏在原始数据集中的深层信息;然后利用前馈深度神经网络和递归深度神经网络模型进行中期电力负荷预测;最后,利用某城市5年期间的实际负荷数据,预测未来1年中不同季节的负荷;通过仿真结果表明:时域-频域分析法和深度神经网络协同使用于中期负荷预测具有更高的准确性。     

可变结构神经网络在未来水质参数预测中的应用

介绍BP神经网络预测水质参数的基础上,结合变结构网络设计的思维方法,给出了可变结构BP神经网络在水质参数预测中的应用过程.并且,对两种预测算法作了比较,结果显示,变结构BP神经网络的预测精度更高.     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

多层前馈神经网络在电力系统短期负荷预测中的应用

介绍了多层前馈神经网络在电力系统短期负荷预测中的应用,并对这些方法做了评价.在此基础上,对人工神经网络技术在短期负荷预测中的应用进行了展望.     

基于多超图融合的超图神经网络模型构建及阿尔兹海默病分类

针对目前超图神经网络构建方法单一化,导致被试特征间的交互信息无法表征,从而影响超图神经网络模型分类性能的问题。本文提出一种多超图融合技术,融合多个超图为一个超图,从而互补多个超图各自所表征的高阶特征,以此来提高超图神经网络模型的分类性能。具体来说,基于结构磁共振成像数据,使用基于稀疏表示的LASSO方法,稀疏组LASSO方法以及覆盖组LASSO方法进行超图构建,然后分别基于超图融合技术将三个单一超图进行融合。接着基于融合的超图,构建超图神经网络模型,最终用于阿尔兹海默症及轻度认知障碍的分类。实验结果表明,本文所提方法的分类准确率达到79.21%,证明了该方法在阿尔兹海默症及轻度认知障碍的分类有较高的准确性和泛化性。     

神经网络预测技术在超高速磨削研究中的应用

通过基于神经网络的预测技术在普通磨削应用研究,介绍了神经网络在超高速磨削应用研究中的几个方面,指出了基于神经网络的预测技术在实际应用中存在的问题及发展方向.     

基于卷积神经网络的固定群体中目标人物分类

卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.     

储层潜在敏感性B—P网络快速预测方法研究

对神经网络算法以及利用神经网络进行敏感性预测中经常出现的问题进行了探讨。着重介绍了合理网络结构的确定方法、学习样本的搜集与处理以及学习算法的改进等,并建立了改进的B－P算法。通过水敏性预测,介绍了神经网络在敏感性预测中的具体应用过程,并对其在实际生产中的应用效果进行了验证。结果表明,利用改进后的神经网络对储层敏感性进行预测的方法,具有预测精度高、自适应好、容错能力强等优点。为了便于使用,编制了功能完备的敏感性预测软件,现场使用效果良好。     

机器学习在相变中的应用

机器学习中的神经网络模型,具有强大的数据分类和图形识别功能,在统计物理尤其是相变领域得到了非常广泛的应用.本文综述了近年来机器学习算法在主要相变模型中的应用进展.首先,介绍了主流机器学习算法的背景知识,及应用在平衡相变中的开创性工作.其次,以一个典型的非平衡相变模型——有向逾渗为例,详细介绍了课题组运用监督、无监督和半监督学习在相分类、临界点预测、临界指数测量的一些最新研究结果.接着阐述了机器学习算法在量子多体、软物质物理以及高能物理等领域中相变研究的相关工作.最后进行了相应讨论与展望.     

深度学习在海洋大数据挖掘中的应用

 介绍了深度学习的关键发展节点和应用发展历程，分析了深度学习在国内外主要领域的发展现状；概述了多个深度学习的关键算法原理，分析了深度学习在海洋数据重构、分类识别和预测等海洋大数据挖掘中的相关应用；提出了深度学习未来可能面临的问题，并从加强顶层设计、信息安全和强化算法鲁棒性等方面，展望了深度学习在海洋大数据挖掘中的应用前景。     

储层潜在敏感性B-P网络快速预测方法研究

对神经网络算法以及利用神经网络进行敏感性预测中经常出现的问题进行了探讨。着重介绍了合理网络结构的确定方法、学习样本的搜集与处理以及学习算法的改进等 ,并建立了改进的B P算法。通过水敏性预测 ,介绍了神经网络在敏感性预测中的具体应用过程 ,并对其在实际生产中的应用效果进行了验证。结果表明 ,利用改进后的神经网络对储层敏感性进行预测的方法 ,具有预测精度高、自适应好、容错能力强等优点。为了便于使用 ,编制了功能完备的敏感性预测软件 ,现场使用效果良好。     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.951 8、588.945 1、0.042 6.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.     

深度神经网络模型数字水印技术研究进展综述

近年来,深度神经网络模型在各种应用领域都取得了巨大的成功,训练先进的深度神经网络模型仍需要大规模的数据集、高昂的算力成本和优异的算法思想,生成的深度神经网络模型成为一种宝贵的资源,也是完成人工智能应用领域某项特定任务的核心算法。因此,深度神经网络模型的安全则变得极其重要,利用数字水印版权保护技术保障模型的安全已经成为人工智能安全领域一个重要的研究方向。为了综述深度神经网络模型数字水印版权保护技术的最新研究进展,首先介绍了深度神经网络模型数字水印技术分类;其次介绍了深度神经网络模型数字水印版权保护技术基础概况;再次归纳总结了深度神经网络模型数字水印版权保护技术的研究方法;最后总结并展望了深度神经网络模型数字水印版权保护领域的研究重点和发展方向。     

基于改进的长短期记忆网络的调制识别算法

自动调制分类技术是无线通信技术中的一个重要研究领域,卷积神经网络以及长短期记忆网络(Long Short-Term Memory,LSTM)两种深度学习模型在基于特征的自动调制分类技术中得到了广泛的应用.然而在实际应用中这两种模型都存在着一些问题,卷积神经网络模型在处理长时间依赖序列的分类任务时的准确率不佳,LSTM模...     

神经网络在遥感影像分类应用中的若干进展

介绍了神经网络的发展概况,对遥感影像分类进行了概述,综述了神经网络在遥感影像分类应用中的若干进展。     

基于神经网络模型的文本分类研究综述

文本分类是自然语言处理与理解当中重要的一个研究内容,在文本信息处理过程中有关键作用.目前深度学习已经在图像识别、机器翻译等领域取得了突破性的进展,而且它也被证明在自然语言处理任务中拥有着提取句子或文本更高层次表示的能力,也备受自然语言处理研究人员的关注.文章以基于深度学习的文本分类技术为研究背景,介绍了几种基于深度学习神经网络模型的文本分类方法,并对其进行分析.     

电信企业运营收入预测方法比较

本文以某电信企业为例，重点介绍BP神经网络模型及Elman神经网络模型在运营收入预测中的应用，依据各类模型的预测精度、预测结果合理性筛选出最为适用的预测方法。     

基于图神经网络的社交网络影响力预测算法

近十年来,通过社交网络（如微博、推特）分享信息已经成为人们日常生活中不可缺少的一个环节,如何有效地预测信息传播的影响力成为社交网络研究中的重要课题,不论是识别病毒式营销和虚假新闻还是精确推荐和在线广告都有许多应用.目前,一些应用深度学习进行社交网络影响力预测的方法已经取得了一定进展,但在进行深度学习时仍会面临以下难点：用户通常具有不同的行为和兴趣并且他们同时通过不同的渠道进行互动;用户之间的关系难以检测和形式化表达.传统的社交网络影响力预测方法通过设计复杂的规则来手动提取用户及其所处网络的特征信息,这一方法的有效性严重依赖于设置规则的专业性,所以很难将某一领域的规则推广到其他领域的应用中去.基于深度神经网络模型,设计一种端到端的神经网络来学习用户的隐藏特征信息以预测其社交网络影响力.首先通过图嵌入的方式对用户的局部网络进行特征提取,然后将特征向量作为输入对图神经网络进行训练,从而对用户的社会表征进行预测.该方法的创新之处：运用图卷积和图关注方法,将社交网络中用户的特征属性和其所处局域网络特征相结合,大大提高了模型预测的精度.通过在推特、微博、开放知识图谱等数据集上的大量实验,证明该方法...