人工神经网络在经济预测中的应用

研究了人工神经网络在经济预测中的应用问题,探讨了人工神经网络的时间序列预测方法。该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。文中提出了一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法。为了消除单一神经网络预测模型的系统偏差,探讨了组合神经网络时序预测方法;并用实例验证了组合神经网络比单一神经网络的预测精度高。     

基于时间序列模型在物流需求预测中的应用

本文采用时间序列模型进行物流需求预测，用实例从数据平稳性的判断，平稳化、标准化，建模，经模型的识别、定价、参数估计和检验，到预测及误差和置信区间的计算，详细地说明了时间序列模型在物流需求预测中是如何应用的。结果表明该ARMA模型能够较好地拟合并可获得较高的中短期预测精度。     

基于改进GoogLeNet的汽车仓储库区障碍物分类识别方法

针对汽车仓储库区的特点，提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法，即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进，并在此基础上增加四分类全连接层，改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器，对全连接层和输出层进行模型训练。实验结果表明：该障碍物分类识别方法准确率高且识别时间短，大大增加了AGV障碍物检测系统的准确性与鲁棒性。     

基于并行双路卷积神经网络的安全帽识别

文章针对人工监看视频判断是否佩戴安全帽的低效率现状,改进LeNet_5,提出一种并行双路卷积神经网络方法识别安全帽。该方法在输入通道添加图像的HOG特征通道,然后通过两路输入图像尺寸和层次深度不同的卷积神经网络并将所得图像特征进行串接融合,输入SVM识别人体,最后结合目标区域的颜色特征判别安全帽。实验结果表明,文中方法能更有效识别多姿态施工现场人员,并且适应多样的施工场景,达到0.867的安全帽识别率。     

一种应用BP神经网络的混沌短期电力负荷预报方法

文章结合混沌理论及BP神经网络方法,提出了一种非线性时间序列预测算法。该方法基于相空间重构理论,将单维电力负荷时间序列映射到高维相空间中,并采用BP神经网络作为高维相空间拟合工具,通过算例的验证,证明了该方法具有较高的预测精度。     

基于SSE指令集的运动目标模板匹配算法设计

本文针对序列图像中运动目标识别的广泛需求,分析了模板匹配算法的实现过程及特点,研究、设计了一种基于SSE指令集的运动目标模板匹配算法。该算法利用SSE4指令集实现多位数据并行计算,显著提高了模板匹配算法的处理速度。实验结果表明,该算法对于序列图像中的运动目标识别具有速度快、识别精度高的特点,具有一定的应用价值。     

基于LabVIEW的滚动轴承故障智能诊断系统

利用LabVIEW平台开发了齿轮故障诊断系统。系统主要采用共振解调诊断和BP神经网络诊断两种方法。共振解调诊断由Hilbert解调和小波包解调实现故障频率识别;BP神经网络诊断由对有量纲和无量纲参量提取的特征以及根据小波相对能量提取的特征作为神经网络的输入向量,轴承的故障类型作为输出向量,采用神经网络对轴承进行诊断,实验结果表明:通过解调和神经网络诊断,该系统能有效识别齿轮故障,确定故障类型。     

基于LM-BP算法的轨道交通客流短时预测

BP神经网络是当前比较常用的人工神经网络,针对BP神经网络存在易陷入局部极小值、收敛速度慢等缺陷,将LM算法引入到BP神经网络中,以改进BP神经网络在预测时的训练过程,并利用轨道交通客流的时间序列对其有效性进行验证,结果证明该方法对轨道交通客流的短时预测有着更高的准确度和精度。     

使用多任务级联卷积神经网络进行车牌照识别

车牌照识别是计算机视觉技术的一项重要应用,在保障日常交通秩序中扮演关键角色,因此,一直以来车牌照识别技术都是计算机视觉领域中一项热门研究。由于车牌照识别系统的应用场景通常在交通路口,交通情况复杂度高,由于车辆运动和拍摄角度导致的遮挡、图像变形等问题,使得高精度、抗干扰的车牌照识别系统具有重要研究价值。近年来,随着深度学习技术的发展,特别是其在图像识别和目标检测领域带来相较传统方法的巨大的性能提升。文章尝试使用深度卷积神经网络的方法,提出了一个在精确度和鲁棒性方面都较为出色的针对中国大陆车牌照的识别算法,其在我们的私有数据集上识别准确率达到94.93%,识别图片平均耗时243 ms。该方法可以通过更换数据集来泛化到其他国家或地区的车牌照识别问题上。     

金属期货与现货市场价格互动关联规则挖掘研究

期货市场传递的价格信息反映未来供求状况的预期,因此,研究金属期货和现货市场价格互动,对于国民经济发展、企业规避价格风险、投资者进行投资决策及政府进行市场监管都有重要意义。本文将数据挖掘中的关联规则挖掘方法引入金融时间序列分析研究领域,针对挖掘对象期货市场的特点,提出基于时间约束的时间序列关联规则挖掘算法。与传统的忽视数据时间信息的关联规则挖掘算法相比,该算法对期货价格与现货价格间的互动关联规则进行挖掘,能发现反映时间序列局部动态互动关联关系,具有一定的短期预测效果。     

基于混沌保持神经元的混沌神经网络中的超混沌

神经网络是高度复杂的非线性动力系统,存在着混沌现象。本文通过消除暂态混沌神经元的模拟退火策略,产生了一种可以永久保持混沌搜索的混沌神经元。基于由四个该混沌神经元连接的混沌神经网络的拓扑结构,分析了混沌神经网络的Lyapunov指数谱,发现混沌神经网络中存在超混沌现象;同时,研究了参数变化对混沌神经网络Lyapunov指数谱的影响。     

基于小波分析的可疑金融交易时间序列研究

小波分析在数学上具有严格意义上的突变点诊断能力,不依赖于经验模型,适合检测金融交易序列中的可疑成份。文章针对可疑金融交易特征,探讨借助小波分析方法在信号奇异性检测方面具有的独特优势,从金融交易序列中识别出具有异常交易行为特征的账户。实验结果验证了该方法的可行性和有效性。     

基于混沌理论和PSO神经网络的短时交通流预测

交通流预测已成为智能交通的重要组成部分,针对短时交通流的非线性和不确定性,文中根据实际交通流中存在的混沌,利用C-C方法和小数据量法对交通流混沌进行了分析,在交通流混沌时间序列相空间重构的基础上构建了基于粒子群优化神经网络的单点单步预测模型,运用该模型对实际采集的美国加州城市快速路交通流数据进行了仿真研究,结果表明,该预测模型具有较高的预测精度,能够满足智能交通控制和诱导的需求。     

股票价格时间序列的隐藏瞬时模式识别方法研究

由于时间序列数据挖掘方法具有刻画和预测所观察事件特征的突出特点,将它运用于股票价格时间序列分析,不仅可以揭示隐藏于股票价格时间序列中的瞬时模式,而且还可以有效预测诸如股票价格急剧变化等高频金融时间序列事件。本文基于时间序列数据挖掘理论与方法的探讨,将其运用于具体的股票价格生成的高频时间序列分析。结果表明,具有统计显著性的、可以刻画和预测事件的隐藏瞬时模式是能够被识别的。     

基于神经网络理论研究生综合素质测评方法的研究

本文首先对研究研究生综合素质评测方法的意义目的进行了阐述,然后对神经网络理论进行了相应分析,将其引入研究生综合素质评测方法,设计了神经网络识别分类器,并对其进行了校验,试验表明:基于神经网络理论研究生综合素质测评方法具有较高的识别精度和实用价值。     

组合预测在上市公司财务预警中的应用

在Logistic模型和BP神经网络两种单一预测模型的基础上,将Logistic模型输出的违约概率引入到BP神经网络中,从而构建一种非线性组合预测模型,并将其应用于上市公司财务预警.实证结果表明,该组合预测模型能有效提高预测精度.具有良好的应用前景.     

BP神经网络在防城港货物吞吐量预测中的应用

由于港口吞吐量的影响因素相当多,这些影响因素中大部分又是不可量化指标．造成数据收集和确定的困难。在介绍BP算法的基础下,使用基于时间序列的BP神经网络模型对防城港货物吞吐量进行预测,该模型不仅解决影响因素多、数据难收集的问题,而且是货物吞吐量预测方法中精度很高的一种有效方法。     

基于WT-CNN深度学习的轴承故障识别

针对传统轴承故障识别方法的识别率低以及人工干涉等问题。提出了一种基于时频图和深度神经网络(WT-CNN)轴承故障类别的自动识别方法。首先采用连续小波变换(CWT)将原始信号转为时频图,然后将其输入VGG-16神经网络模型中的卷积网络层(CNN)进行特征自动提取,并使用softmax层完成识别。实验结果表明,该方法可以准确地识别轴承故障类别,其准确率达到100%。因此与其他神经网络和传统机器学习方法相比,WT-CNN神经网络模型能有效对轴承故障类别完成识别任务。     

BP神经网络模型在黄金期货价格预测中的实证分析

随着黄金市场和黄金期货市场的不断扩大,人们对市场中的价格波动研究越来越多,很多研究者采用简单的时间序列模型对黄金期货的价格进行研究与预测,虽然可以获得一定的结论,但是模型中仍然有不足之处,本文利用BP神经网络模型在对时间序列模型的修正角度来对黄金期货价格进行研究和预测。     

MVS在机械工件识别中的应用

机械工件在线检测在自动化生产中变得越来越重要，实现识别过程的自动化具有现实意义。本文提出了一种基于数字图像轮廓特征的机械工件自动识别系统，利用工业摄像镜机代替目视作为一个传感器，经图像采样、图像处理、图像分析识别等一系列的操作，可以达到机械工件识别的目的。本文分析了图像预处理环节及中值滤波的原理，并以机械工件为例，采用直接直方图二值化方法对图像进行分割；比较了经典的图像边缘检测算法，首次提出基于连通域的边缘提取方法；针对具体应用场合及机械工件的特征，提出利用位置与大小、形状等几何特征相结合的方法来识别工件。通过实验验证，显示出该识别算法所采用的方法具有工件识别速度快、准确性高、实用性强的效果。