木聚糖酶氨基酸组成与最适温度的模型

运用基于均匀设计(UD)的神经网络(NNs)构造法,构建F／10家族木聚糖酶氨基酸组成和最适温度的数学模型．当学习速率为0．1、动态参数为0．6、Sigmoid参数为0．9,隐含层结点数为7时,该模型对最适温度的拟合和预测的平均绝对百分比误差分别为6．61％和1．78％,均方根误差分别为5．43℃和2．00℃,平均绝对误差分别为4．13℃和1．46℃．     

G/11木聚糖酶最适pH值的预测及其与氨基酸位置的关系

把木聚糖酶全序列均分为N端,中间端(I端)及C端3个部分,并分别以全序列及分段氨基酸的组成作为模型输入值.通过主成分分析(PCA)方法探讨全序列及分段氨基酸组成和最适pH值的相关性,运用均匀设计法分别优化支持向量机和BP神经网络运行参数.研究结果表明:支持向量机获得的预测模型优于神经网络,其中RBF支持向量机是最佳的模型.主成分分析结果显示:I端主成分跟最适pH值相关性最高;相关系数R绝对值为0.68,得到的结果与支持向量机结果一致.     

PCA-SVM模型在几丁质酶最适温度建模中的应用

采用主成分分析法(PCA)对样本数据集进行预处理,将得到的新样本数据集输入支持向量机(SVM),籍助均匀设计(UD),构建几丁质酶氨基酸组成和最适温度的数学模型.当径向基核函数的3个参数,惩罚系数C为10,ε为0.5,γ为5时,模型对温度拟合的平均绝对百分比误差为5.06%,预测的平均绝对误差为1.83 ℃,说明具有良好的预测效果且优于神经网络的预测结果.     

贝塔一葡萄糖苷酶催化反应的最适pH值和最适温度的同时预测

利用氨基酸特征同时预测贝塔一葡萄糖苷酶反应的最适pH值和最适温度.首先,用不同的氨基酸特征对贝塔一葡萄糖苷酶进行量化作为输入,以最适pH值和最适温度作为输出;然后用20-2前馈反向传播的神经网络进行训练;最后用子集验证、刀切验证和交叉验证三种方法进行验证.结果表明,在24个氨基酸特征中只有4个特征可以用于模型预测,其中...     

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法.在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类.文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构.     

基于主成分分析的BP神经网络长期预报模型

MATLAB是进行神经网络系统设计及多元统计分析的有力工具.利用MATLAB6.5对月平均降水量的前期预报因子进行主成分分析,实现样本的最优压缩,从而降低样本的维数,建立起基于主成分分析的神经网络广西北部地区5月平均降水预测模型.计算结果表明,基于主成分分析的神经网络模型在预测中与多元回归模型相比有较好效果.     

滇池铜绿微囊藻不同最适温度的分析

针对滇池铜绿微囊藻多个最适温度的报道,进行了滇池铜绿微囊藻生长温度实验,并结合其在滇池的年变化和天气资料的研究,对滇池铜绿微囊藻的多个最适温度进行分析.结果表明:实验室滇池铜绿微囊藻最低、最适、最高温度分别为14 ℃218 ℃、31 ℃; 4～9月为滇池铜绿微囊藻活动期,平均气温分别为17.0 ℃、19.0 ℃、21.0 ℃、21.1 ℃、20.3 ℃、19.6℃,平均水温分别为16.8 ℃、18.2 ℃、18.7 ℃、18.8 ℃、18.2 ℃、17.1 ℃,日增长率分别为24.4％、36.4％、20.0％、0.54％、0.50％、7.5％;在实验测得的18.0 ℃和报道的30～35 ℃、25～30 ℃、26℃、25 ℃、24 ℃几种最适温度中,18.0 ℃与自然下快速增长期的水温18.8 ℃一致;在4～9月,5月的增长率为36.4％,与实验测得的最适温度18 ℃下的增长率44.5％相近.分析可知,18 ℃接近滇池铜绿微囊藻的最适温度.     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

卡拉胶的荧光光谱特性及其质量浓度预测

针对卡拉胶在食品加工中作为增稠剂、乳化剂和稳定剂使用,而大量摄入会对身体造成严重损害,文中对卡拉胶的三维荧光光谱进行了系统研究。结果表明,其在390nm处存在一个激发峰,分别在485nm、620nm、660nm处存在荧光峰,其中660nm峰较强、485nm峰较宽且红移,提出瑞利散射和水的拉曼散射的影响导致485nm谱峰的红移。进而发现卡拉胶溶液荧光光谱强度随质量浓度的增加而增强,并通过主成分分析．BP神经网络训练,实现了对卡拉胶质量浓度的预测,准确率达到90％以上。当质量浓度高于120μg／mL时,准确率达到98％以上,表明该技术可快速测定溶液中卡拉胶的含量。     

基于Web方式的神经网络智能预测系统设计与应用

针对传统BP神经网络的一些缺陷,设计一种综合改进的BP神经网络算法.在此基础上,采用.NET架构以及Web Services等技术,用主成分分析算法和置信度区间算法对BP网络结构进行全后处理,以经济预测为例,设计开发了一个基于B/S结构的智能经济预测系统.该系统具有较好的易用性和一定的通用性,提高了预测结果的准确度和神经网络的泛化能力.     

主成分分析与BP网络组合的大坝变形预报

将主成分分析与BP神经网络相结合应用到大坝变形影响因子的优化中,建立大坝变形预测模型.可以有效地降低输入因子的维数,减小因子之间相关性的影响,简化网络结构,降低网络训练难度,提高预测的稳定性及精度,提升BP网络训练的效率,解决由影响因子内部相关性而需引入大量因子的问题.通过实验结果对比表明,主成分分析与BP网络相结合的...     

基于主成分和BP神经网络方法的湖南省汽车保有量预测

汽车保有量预测对城市交通的发展方向、城市交通的控制管理、城市道路的建设情况等都有直接的参考意义。本文通过分析影响城市汽车保有量的因素,通过参考部分参考文献,城区人口总数人均GDP、公路客运量等8个指标,首先采用主成分分析法将8个因素进行分析,然后建立BP神经网络模型对湖南省2006到2008年汽车保有量进行预测,预测结果分别为98．93万辆、122．18万辆、137．03万辆,与汽车保有量实际值94．64万辆、121．72万辆、142．67万辆很接近,预测精度比较高。这表明BP神经网络具有很强的学习与泛化能力,用于汽车保有量预测的可行性与有效性。     

BP神经网络数值预测方法的研究

人工神经网络作为一个具有高度非线性映射能力的的计算模型,具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行预测.本文在对其进行深入研究的基础上,探讨了利用BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.     

焊接质量控制的主成分分析人工神经网络

介绍了主成分分析方法及人工神经网络技术在相关因素分析和质量控制的建模与估计中的应用．以大电流MAG焊熔宽控制为例，通过对6个焊接过程参数进行主成分分析，提取出影响熔宽的4个主要因素，讨论了提取的主成分与原始过程参数间的关系．以主成分得分作为新的训练样本集，送入神经网络进行计算．结果表明，基于主成分分析的神经网络无论在收敛速度，还是在训练精度上，都远远优于基本BP神经网络．     

上呼吸道感染月发病率的主成分神经网络预测模型

 在医学卫生领域,疾病受许多因素的影响,很难用结构式因果模型解释,根据神经网络预测是一种行之有效的方法。径向基函数（RBF）神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素,如月平均气压、月平均气温、月平均相对湿度、月平均风速、月平均降水量等本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降。针对这一问题,本文提出了利用主成分分析方法对原输入空间进行重构,并根据各主成分的贡献率确定网络结构,从而有效地解决了预测精度下降问题。最后,以2001年8月至2006年9月甘肃省武威市上呼吸道感染炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

基于神经网络的机翼结构载荷模型建立方法

建立以飞行参数为变量的机翼结构载荷模型是飞行安全监控及飞机疲劳寿命估算的重要技术基础.首先将机翼燃油质量对其结构载荷的影响分离,在此基础上依据飞机结构载荷与飞行参数间的相关性,通过相关分析结合主成分分析的方法确定了低维数且互不相关的建模参数,并采用高斯-伯努利受限玻尔兹曼机预训练的BP神经网络方法实现了模型建立.以飞机...     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。