基于粒子滤波与BP神经网络的短时交通流预测

为了有效缓解当前交通拥堵问题,结合时下流行的智能交通系统,本文将粒子滤波算法引入短时交通流预测过程中,提出一种基于粒子滤波与神经网络的预测算法。该系统通过BP神经网络的非线性映射功能,分裂选择适当的权值,在多次训练之后能够提高算法中粒子的多样性,改善算法滤波的性能,最终达到提高预测精度的目的。另外,本文以河南省新乡市交通局公交和出租车数据作为数据来源,通过与传统的粒子滤波算法和BP算法的预测结果进行对比,发现本文所提出的方法对短时交通流预测具有更好的预测精度。     

改进的CRNN模型在警情文本分类中的研究与应用

针对某市公安110接处警文本描述进行案件分类的需求,参考现有文本分类方法在其他行业的应用,搭建了应用于警情描述的文本分类系统.通过论证常见分类网络适用场合及其优缺点,结合对警情数据中案件描述特征的分析,提出了基于改进卷积循环神经网络的模型,该模型优化了关键特征提取过程,弥补了现有模型短文本局部特征提取不足的缺陷.实验表明,该模型的准确率比常见分类模型提升了2%～3%,且能够有效保证数据局部特征的关联性,可以对案件描述所对应的案件类型进行准确分类,从而提高公安接处警平台的自动化效率.     

基于长短时记忆网络的恒温水浴锅温度模型预测

【目的】由于恒温水浴锅温度系统存在强非线性及大滞后性,本研究提出一种基于长短时记忆网络的恒温水浴锅温度模型预测方法。【方法】首先,对采集到的数据进行标准化处理,寻找长短时记忆网络的最优结构及超参数,用来拟合出最佳的数据映射特征,并构建恒温水浴锅温度的动态数学模型。其次,通过模型对未来一段时间内的温度趋势进行预测。最后,使用本研究提出的方法与最小二乘法所预测的结果进行对比分析。【结果】本研究所提方法构建的模型的拟合度达到了98.2%,预测结果的MSE及MAE比最小二乘法模型分别降低了4.616、0.823。【结论】本研究所提方法具有更高的预测精度,对提高恒温水浴锅的生产效率及控制精度具有重要意义。     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题,提出了一种LSTM(Long-Short Term Memory,长短时记忆)神经网络改进的DNN(Deep Neural Networks,深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分,LSTM神经网络通过记忆或遗忘进行数据流量特征提取,然后将其输入DNN进行训练、入侵检测．模型中采用优化算法,加快了网络收敛．实验表明,与LSTM模型相比,LSTM-DNN模型具有较好的性能,准确率更高,运行时间更短．     

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型.首先将一维数据转换为二维数据,采用CNN提...     

基于VMD-BO-BiLSTM的猪肉价格预测模型

基于猪肉价格的非线性与波动性特性,提出一种基于变分模态分解（variational modal decomposition, VMD）和贝叶斯优化（Bayesian optimization, BO）的双向长短时记忆（bidirectional long short-term memory, BiLSTM）网络的猪肉价格预测方法。首先采用变分模态分解对数据进行预处理,将数据分解为具有相对简单波动的子序列;然后通过贝叶斯算法对双向长短时记忆网络模型的第1、2隐含层神经元数目、学习率和批次大小进行寻优,根据寻优的结果建立预测模型。实验结果表明：VMD-BO-BiLSTM方法的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为1.101 214、1.466 100、0.040 631、0.987 760,相比传统单一的LSTM,BiLSTM模型精确度更高,有更高的适用性,适合对猪肉价格预测。     

基于矩估计—改进TOPSIS模型的应急物流供应商评价

应急物流是指为应对突发公共事件的应急物资需求所产生的特殊物流活动。在现有研究的基础上,并结合应急物流自身的特点,给出了应急物流供应商的评价指标体系,采用矩估计组合赋权法确定评价指标的权重。将灰色关联分析与双基点法(也称作TOPSIS法)相结合,构建一种改进TOPSIS法的应急物流供应商评价模型。最后通过实例加以说明,并与其他典型评价方法进行分析比较,发现评价结果基本一致,从而验证了该方法用于应急物流供应商评价是有效且可行的,能够为应急物资采购提供有力参考。     

一种基于特征组合和卷积神经网络的心脏病预测新方法

针对心脏病预测难的问题,提出了一种基于特征组合和卷积神经网络的心脏病预测方法。通过特征工程对数据进行预处理,减少噪声干扰;使用特征组合算法增强样本属性关联,生成特征矩阵;设计卷积神经网络对特征矩阵进行更高级抽象。该方法在UCI Heart Disease数据集上达到了0.898 9的预测精度,优于SVM、集成学习等传统机器学习方法,可作为相关领域专家判断的重要参考。     

基于三维卷积和CLSTM神经网络的水产养殖溶解氧预测

提出了一种基于三维卷积和卷积长短期记忆(convolutional long short-term mem-ory,CLSTM)神经网络的水产养殖溶解氧预测模型.首先,将输入向量及其转置相乘形成一个单通道矩阵,把一定时间段内的单通道矩阵堆叠成一个立方体作为输入数据;然后,将输入数据进行连续两次三维卷积来细化溶解氧相关因...     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法(empirical mode decomposition, EMD)优化非线性自回归(nonlinear auto regressive,NAR)动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.     

基于LSTM和特征生成的网络流量分类

本文提出了一种将特征生成和长短期记忆（long short term memory,LSTM）模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络（convolutional neural network,CNN）和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。     

基于双流LSTM神经网络的股价趋势预测

股价波动研究依赖分析金融新闻数据集浅层特征,而忽略了金融新闻句子中单词之间的结构关系,从而导致股价波动预测研究效果不佳。针对该问题,提出了一种基于双流长短时记忆网络（long short term memory network, LSTM）神经网络的股价趋势预测模型（Sent2Vec-DLSTM）。该模型的创新之处在于：提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec;提出了新型的双流LSTM神经网络（Dual-stream LSTM, DLSTM）。在实验中,首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测,然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明,Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。     

基于脑电信号深度学习的情感分类

情感脑电研究作为人工智能高级阶段的重要任务,近年来受到越来越多的关注。情感脑电分类广泛应用于人机交互、医学研究等领域。该文以轻量级的卷积神经网络为核心,设计了情感脑电分类模型,以DEAP（dataset for emotion analysis using physiologicalsignals）提供的情感脑电图数据为基础,将其中的观看视频划分为唤醒度和愉悦度2个维度。为了获得频域信息,提取了theta、alpha、beta和gamma波段的功率谱密度特征进行评估,并将功率谱密度矩阵表示为二维灰度图像。然后将该图像输入到卷积神经网络训练分类模型并完成2个维度的分类任务。实验结果表明,与传统机器学习相比,卷积神经网络具有更好的分类效果,唤醒度分类准确率达到了82.33%,愉悦度分类准确率达到了75.46%。     

基于奇偶交叉卷积的轻量级图像语义分割网络

传统轻量级图像语义分割网络中的跨步下采样卷积导致感受野呈现刺状分布,使得像素点利用率出现系统偏差,影响分割精度的提升。为此,针对传统的轻量级图像语义分割网络设计一种奇偶交叉卷积的下采样模块,在跨步奇数卷积模块前增加单步偶数卷积模块,在一定程度上缓解了刺状分布带来的不良影响,消除了分割网络中不同空间位置上像素利用率的偏差,最终提高了模型对像素点的分割精度。通过7种不同轻量级图像语义分割网络的对比可以看出,所提模型可以明显消除刺状分布,使分割网络的精度进一步提高,同时也证明了该模型适用于不同的轻量级网络,具有普适性。     

基于模糊粗糙神经网络的交通流研究

交通流预测是实现道路交通科学管理的重要内容,文章概述了模糊粗糙神经网络的基本原理,通过模糊粗糙隶属函数建立了基于模糊粗糙神经网络的交通流控制模型,设计了两级协调模糊控制器,结合模糊控制理论和神经网络各自的优点,构造了模糊粗糙神经网络.通过实践结果证明,该算法精度高,学习速度快,适应能力强,对实时交通流预测有一定的指导意义.     

基于卷积神经网络和投票机制的轨道板裂缝检测

现有的检测方法对轨道板细微裂缝和夜间拍摄的裂缝图像存在误检和漏检的现象,为此提出了一种基于卷积神经网络的改进方法.将特征图分组后用注意力机制强化各组向量的特征表达,以动态聚合弱分类器预测结果的方式得到最终的裂缝置信度.借助投票机制有效降低最终的预测偏差,提升模型的鲁棒性.实验结果表明:该改进方法在减少模型参数的情况下,...