径向基函数网络的改进算法在油价预测中的应用

本文将径向基函数网络应用在国际原油价格预测中,采用一种改进的HCM算法来确定径向基函数的中心,并以纽约市场国际原油期货的日收盘价为对象进行预测,其结果表明,该模型具有较好的学习和泛化能力,为国际原油价格的预测提供了一条新的途径。     

粮食最低收购价的评价模型及价格预测

粮食最低收购价政策是国家为了重点保护农民的农作物利益,维持市场稳定,对某些粮食品种确定的最低收购价格。[1]制定合理的最低收购价水平十分重要,为了中国粮食生产的稳定,每年确定一个合理的粮食最低收购价就成为政府部门的一个重要工作。[2]本文忽略国际粮食价格对中国粮食价格的影响,结合影响粮食价格因素,建立了线性回归模型、径向基函数(RBF)的神经网络模型和BP神经网络模型,对历年最低收购价价格的合理性做了评价。并运用BP神经网络模型和线性回归径向基函数(RBF)的神经网络模型分别对2017年最低收购价进行预测,并对三个模型预测值进行了比较分析。     

基于可拓理论的RBF网络模型在多属性决策中的应用研究

多属性决策一直是管理科学领域中的一个难题,现有的理论针对这个问题给出了很多方案优选的方法和模型,但均有各自的优势与不足。多属性决策的难点在于难以明晰多属性决策中各个属性的量化指标与决策方案的优劣的非线性关联,而神经网络的拟合能力与泛化能力决定了其在多属性决策中广阔的应用前景。将可拓理论的相关思想作为基础,创造性地对多属性决策矩阵进行处理从而构建出径向基函数(Radial Basis Function,RBF)网络模型的学习样本,结合RBF网络模型优秀的拟合能力和泛化能力,最终通过训练后的RBF网络模型得到较优的决策方案。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

基于径向基神经网络的白银现货价格变动分析

本文根据白银现货价格波动的特点及径向基(RBF)神经网络的原理和结构,建立相应的RBF神经网络模型。选取2008年10月24日到2013年8月2日的205个交易周国际白银现货价格作为样本,利用建立的RBF神经网络模型进行实证分析,验证RBF神经网络在白银现货价格变动分析中的优势。     

基于神经网络的电厂锅炉优化控制应用

本文提出一种基于人工神经网络的锅炉优化控制方法,该方法以RBF(径向基函数)网,BP(误差反向传播)网,PID控制为结合的综合性算法,对非线性大,大延迟,大滞逅的锅炉燃烧进行控制。仿真结果表明,所提出的优化控制算法对复杂非线性对象能达到良好的控制效果,能有效的提高锅炉燃烧效率。     

模糊规则在神经网络预测模型中的应用前景

在采用径向基函数神经网络(RBFN)对太阳能发电系统输出功率进行预测的模型中,可以明确日照强度的精度对整个预测系统的精度起到了决定性的作用。通过在RBFN模型中引入模糊规则,改善云量数据的精准度,进而提高预测模型的精度。仿真结果表明,加入了模糊规则的模型,预测曲线更为近似。在全面考虑模糊的基础上,有可能提高预测精度。同时也证明了该方法可用于实际应用。     

人工智能赋能的应用型本科高校科教协同育人评价模型

针对应用型本科高校科教协同育人评价过程中存在非线性和精度低的问题，文章提出了人工智能赋能的应用型本科高校科教协同育人评价模型。首先，文章从校企合作办学条件、专业理论实践条件、科教融合应用条件和实习就业发展条件4个角度，构建了协同育人评价体系，利用粗糙集方法对评价指标进行约简处理；其次，利用改进灰狼算法对RBF神经网络结构进行优化设计，构建了高校科教协同育人评价模型；最后，以国内10所应用型高校科教协同育人数据为案例，利用优化后的RBF神经网络结构进行数据训练，对4所高校科教协同育人效果进行仿真评价。结果表明，该模型具有较高的精准性。     

改进的灰色预测GM(1,1)模型的MATLAB实现

灰色系统理论中的灰色预测理论已得到了广泛的应用,文章简单介绍了改进的灰色预测GM(1,1)模型,使用MATLAB语言给出了建立模型的算法程序,为高效地利用MATLAB强大的科学计算功能解决一些GM(1,1)模型预测等数据处理问题提供了方便。     

微粒群算法在函数优化中的研究

本文讨论了微粒群算法在函数优化中的应用问题,即用微粒群算法进行函数的优化和求解,并通过实验证明得出采用引入收缩因子的PSO算法模型比采用标准的PSO算法模型,能够更快地找到Golestein-Price函数的极小值点,具有较好的搜索性能。     

基于可信计算的终端设备安全预警技术

针对现阶段终端设备安全认证和风险预测缺乏主动机制问题,引入动态白名单可信认证技术、异构化接口集成技术和智能化告警技术等关键技术,对终端设备和数据进行评估,提出粒子群优化的径向基函数神经网络预测模型对终端设备风险进行预测。最后验证该模型的有效性和可行性,为信息安全管理者提供数据参考和决策支持。     

基于优化AC-BiLSTM模型的机场终端区流量预测

将深度学习用于机场终端区流量预测研究。神经网络具有复杂的网络拓扑结构和较多的超参数，这使得超参数的选择很困难。以往神经网络模型的超参数通常是根据经验来调整的，因此，为了解决超参数搜索问题，引入粒子群算法(PSO)。针对基本粒子群算法(Basic PSO,BPSO)的缺点和不足，提出一种基于自适应惯性权重的混沌粒子群优化（AWCPSO）算法，该算法在基本PSO的基础上进行了改进和优化。具体方法是，使用一种新的动态自适应惯性权重在全局寻优和局部寻优之间取得平衡；进而将混沌思想和粒子群算法相结合，解决粒子群算法易陷入局部最优的问题。实验表明，AWCPSO算法用于AC-BiLSTM模型的超参数寻优时，既解决了BPSO算法的早熟收敛问题，又提高了流量预测的精度。     

基于绩效管理导向的在线学习监测预警体系框架构建研究

本文基于绩效管理理论视角,探索性构建在线学习绩效监测预警体系框架,并且进行案例应用研究。研究结果表明,应该基于学习行为、学习满意度和学习结果三个维度内容要素进行在线学习绩效监测预警体系框架的设计构建;以非线性门限回归模型作为“信息处理中枢”,能够提高在线学习绩效监测预警体系框架的有效性;应用所构建的在线学习绩效监测预警体系框架可以实现对在线学习绩效的“绩效管理导向”式量化度量和全景展现,为在线学习资源配置与优化提供不同角度的决策支持科学依据。因此,需要以充分发挥在线学习环境的大数据资源优势,以及门限回归模型等非线性模型在大数据环境中的功效优势为双轮支撑,持续强化对在线学习绩效监测预警体系框架的理论研究与实践应用。     

高速公路短时交通流量组合预测

短时交通流量预测是交通运行状况分析与交通诱导的基础。考虑到不同交通流量预测模型的各自功能与应用条件,文章构建了一种基于自适应指数平滑和RBF神经网络的组合预测模型。该模型根据各个基本模型计算的前一时刻预测误差均方差来动态调整加权系数,从而综合利用各个基本模型在不同时段的预测优势,最后采用实例分析对组合模型和两种基本模型的预测性能进行比较,验证了组合模型在高速公路短时交流流量预测中的可靠性。     

面向在线学习的知识地图模型

知识地图作为一种可视化的在线学习平台，现在被越来越多的学者和企业所研究和应用。本文提出了面向在线学习的知识地图构建方法，利用文本挖掘技术从文件有关特定主题中使用TF/ IDF算法进行关键词提取。同时本文论述了知识地图模型的构建过程，主要包括，关键词提取，关联关系提纲，关联标记。为验证方法的可靠性，本文设计了相关实验，并对模型的效果进行了评价。     

基于改进RBF神经网络物流配送中心选址的决策

文章从物流规划项目的要求出发,提出了改进的RBF神经网络学习算法,并通过数学推导阐明了这种改进算法的基本原理,较客观地对多个选址方案的优劣进行评价。     

工业系统故障诊断中类均值核主元分析法的应用

类均值核主元分析法通过计算映射数据的类均值矢量,再由类均值矢量张成的子空间进行核主元分析,使之包含原始数据的全部信息,实现无信息损失的数据降维。然而,不同核函数的选取对故障诊断结果有所影响。文章以工业系统故障诊断为背景,就高斯径向基核函数、多项式核函数以及两者的混合核函数,结合粒子群算法优化核参数,通过BP神经网络进行故障识别分类,利用T~2和SPE统计量检验及时性,有效验证不同核函数的效果。     

房地产投资项目的风险预测与分析

本项目侧重于研究支持向量机在房地产投资项目中的风险预测与分析的应用。支持向量机是基于统计学习理论和结构风险最小原则基础上的新型机器学习技术。通过选取惩罚系数C和核函数,经过模型初步评价的风险能够和最终数据模拟结果相一致,通过对支持向量机的实证研究表明此种算法在风险预测领域具有较好的风险预测能力     

基于机器学习的P2P网络借贷违约风险识别模型比较——以“人人贷”为例

近年来,P2P网络借贷中借款人违约风险的识别问题被各互联网金融机构重点关注。文章以"人人贷"平台中的借贷数据为样本,运用CART决策树、支持向量机(SVM)、BP神经网络和随机森林等4种主流的机器学习算法,进行代价敏感学习,构建了4种违约风险识别模型并进行比较。研究发现,机器学习算法在多维度借贷数据下的违约风险识别中适用性较强,其中树模型的预测效果显著优于其他两种模型,尤以随机森林模型预测效果最佳。     

基于粒子群优化算法的洛伦兹曲线参数估计及基尼系数的计算

根据已有洛伦兹曲线模型,应用粒子群优化算法对洛伦兹曲线参数进行估计。由拟合的洛伦兹曲线计算2002-2011年我国城镇和农村的基尼系数,再利用"分组加权法"得出我国总体的基尼系数。结果表明:粒子群优化算法可以有效地估计洛伦兹曲线中的参数;由该算法的估计参数所确定的洛伦兹曲线估算2002-2011年基尼系数,其变化趋势与其它预测相符。从而为洛伦兹曲线提供了可靠、有效的参数估计方法。