基于滑动窗口的指数平均动态电源管理预测算法

针对动态电源管理中指数平均预测算法存在的不足,提出了一种改进的指数平均动态电源管理预测算法.该算法结合滑动窗口,加入动态自适应调节因子,充分利用设备空闲状态的历史信息对未来的空闲时间进行预测.实验结果表明该算法对工作状态平稳的系统空闲预测效果良好,预测误差率比原算法降低了8.3%,并具有对样本数量要求少,计算量小,能自适应调整预测参数的优点.     

改进的模糊BP神经网络及在犯罪预测中的应用

为了提高犯罪预测的准确性,从而提高犯罪预防技术、以便更好地保护社会治安.采用模糊BP神经网络的一种新算法,通过对已有年份的犯罪数量进行分析,建立知识库,预测犯罪数量.试验数据结果显示:预测具有一定的准确性;同时采用聚类算法得到的隐层数和节点数也是十分准确的,增加了知识库运用的广泛性.该方法为犯罪的预测分析提供了一种新思路.     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

基于AdaBoost算法的快速人脸检测研究

研究了AdaBoost算法的原理和训练过程,分析了导致算法准确性下降的原因.使用高斯混合模型对人脸肤色建模,将可能存在人脸的区域从彩色图像中分离出来,再使用AdaBoost算法对该区域进行检测能够提高检测速度和准确率.实验结果验证了算法的准确性.     

基于图论技术的FPGA资源管理算法

在对可重构硬件上的空闲资源进行管理时,采用平面划分算法寻找最大空闲矩形存在冗余计算和重复计算的问题.为此,文中提出了一种基于虚拟无向图的计算最大空闲矩形的算法.该算法基于FPGA二维区域模型,利用无向图与FPGA模型之间的相互映射关系,通过在虚拟无向图中寻找有效回路和通路间接完成寻找最大空闲矩形的任务,使空闲区域划分过程大大简化.最后,文中通过仿真实验对比了该方法与已有的SL算法的性能,结果表明,KAMER_VU算法有效降低了系统硬件布局时间,提高了为任务分配硬件资源的成功率.     

基于邻近项目的Slope One协同过滤算法

协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明：相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。     

设备空闲时间段调整的设备驱动综合调度算法

针对设备驱动的综合调度算法没有考虑工序的结束时间,以及其同设备加工的下一道不可调度工序的开始时间形成该设备的空闲时间段可缩短的调度优化问题,提出了设备空闲时间段调整的设备驱动综合调度算法.该算法为使空闲设备即将加工的不可调度工序提前加工,缩短了设备闲置等待时间,提出该不可调度工序的最短加工路径,通过优先加工该路径上工序,使其紧前工序尽早加工完成.实例验证该算法可以有效缩短设备空闲等待时间,提高设备利用率.      

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

基于可信预测值的协同过滤推荐算法

针对在传统协同过滤算法中存在的推荐精度较低、预测质量不佳的问题,该文提出一种基于可信预测值的协同过滤算法(RPCF).该算法在使用基于记忆的协同过滤方法计算预测值的基础上,引入可信度概念和技术方法,运用对推荐项目评级的邻居数评估可信度,融合可信度与传统预测值得到可信预测值,再根据可信预测值进行推荐,从而达到提升算法质量的目标.在MovieLens数据集中与其他提高精度方法进行实验对比,实验结果表明:RPCF方法能够提高预测精度和算法鲁棒性,具有更好的推荐质量.     

基于BP神经网络的高速磨削磨削力预测研究

应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

基于ELM的蛋白质二级结构预测及其后处理

将ELM应用到蛋白质二级结构模型的训练中,在此基础上提出了基于概率的合并算法(probability-based combining,PBC),用该算法预测结果的合并.根据生物学中关于蛋白质二级结构的特征提出了预测结果的Helix-后处理(Helix-post-processing,HPP)算法,对合并后的预测结果进行有效的后处理,从而进一步提高预测结果的准确率.分别在CB513和RS126两个数据集上进行了实验,实验结果表明,预测结果的准确率是令人满意的,尤其是实现了训练时间上的显著缩短.     

基于智能算法的油气田地应力三维预测

为了解决复杂沉积构造环境导致未钻区域的地应力定量预测难度大的问题,根据层速度、地应力、叠后地震信息之间的定量关系,运用BP神经网络、模拟退火等智能算法提出了用于不同工况条件的两种油气田地应力三维预测方法.在完钻井数量较多、实测信息较丰富的工区使用BP神经网络算法,利用地震数据空间速度信息与岩石力学方法建立地应力三维数据...     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于可调节判别器的领域适应

当前基于对抗学习的领域适应(DA)对目标样本的适应性较差,导致目标域的预测精确度较低,为此提出基于可调节判别器的领域适应(A-DADA)算法.首先,利用两个判别器分类概率的距离作为权重应用到目标域对抗训练损失函数中,旨在减少已对齐目标样本对抗训练的次数同时增加未对齐目标样本的对抗训练次数;其次,将平方熵损失函数作为最小...     

基于人工免疫和FARIMA模型的流量预测方法研究

针对Internet迅速发展而造成的网络拥塞现象,基于人工免疫算法与FARIMA模型提出了一种新的流量预测方法PAIF(Prediction method based on Artificial Immune and FA-RIMA).该方法首先利用人工免疫算法建立了预测策略,并结合FARIMA模型预测结果进行融合,以此提高预测精度.其次,以实际数据进行仿真实验,深入研究了影响PAIF预测误差的因素,同时对比分析了单独使用FARIMA模型的情况.实验结果表明,PPAIF具有较好的适应性.     

云计算环境中移动网络低匹配度异质信息入侵感知预测算法

针对传统灰色神经网络组合预测算法对网络中入侵信息预测时, 缺乏对低匹配度异质信息的预处理过程, 未对信息入侵攻击意图进行预测, 存在预测准确率低以及入侵防御性能差等问题, 提出一种新的云计算环境中移动网络低匹配度异质信息入侵感知预测算法, 通过灰色模型对初始网络低匹配度异质信息进行预处理. 先采用基于元路径的低匹配度异质信息入侵感知预测算法得到入侵攻击意图矩阵, 再根据该矩阵获取入侵攻击意图函数关系, 实现低匹配度异质信息入侵攻击意图预测. 仿真实验结果表明, 该算法可全面预测信息入侵的意图和过程, 对入侵信息节点防御成功率约为85%, 误警率和漏警率较低, 并具有较高的预测精度.