基于神经网络的边坡安全系数快速预测研究

快速准确获取边坡安全系数对预防边坡发生滑坡等地质灾害具有非常重要的意义。在影响边坡稳定性的各种因素的基础上进行综合考虑,利用计算机科学和人工智能科学,以神经网络方法为基础,运用BP模型,进行边坡安全系数快速预测,建立了快速预测系统并实现了界面化操作,以黄土边坡实例为样本进行了模拟验证。结果表明:该方法对快速准确获取边坡的安全系数有一定的参考价值,可为边坡工程研究智能化提供帮助。     

基于Python语言的图像识别算法设计

人工神经网络这一技术自近年发明以来,受到了国内外业界的广泛关注,各个领域的科学研究人员对其进行了深入的研究,也取得了较为丰富的成果,例如采用BP神经网络对图像质量进行智能评价等。通常的BP神经网络,其输入是纯数值型的,所以需要先对待识别图像作特征提取,文章提出了一种新的BP神经网络图像识别方法,将图像数据整体作为BP神经网络的输入,大大提高了识别效率。最后,文章采用Python语言对该方法进行了实现。结果表明,该方法成功率高,且抗干扰能力强。     

基于BP神经网络的品牌竞争力评估研究

文章在综合考虑品牌的顾客价值和企业价值的基础上,从四个维度建立品牌竞争力评估的指标体系,并运用BP神经网络模型预测目标品牌的竞争力.该方法通过样本的品牌数据训练BP神经网络的学习功能,再将目标品牌的指标值输入训练后的BP神经网络,评估目标品牌的竞争力大小.     

基于聚类神经网络的人体行为识别研究

本文提出了基于融合特征的聚类神经网络人体行为识别方法。采用了傅里叶描述子提取人体动作外形轮廓,利用外接矩形长宽比及变化率表征人体运动特征;提出了聚类分离度和紧密度相结合的Silhouette宽度,定义了训练参数目标误差为均方根误差RMS,采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明,该方法能有效识别人体行为类别,应用效果满足实际要求。     

钻井侧钻技术研究与应用

目前国内外十分重视通过套管开窗侧钻使老井恢复生产,开窗侧钻也已成为一项增油上产的重要手段,并见到了显著的经济效益.在老井恢复生产钻井作业中开窗定向侧钻是一个非常重要的工艺过程,它直接关系着重钻作业的成败.包括开窗方式的选择、侧钻位置的确定以及工具仪器的选择等.     

基于Elman神经网络的商业银行信贷风险识别及评估模型

建立了基于Elman神经网络的商业银行信贷风险识别及评估模型，并通过实例验证了模型的准确性和可靠性。研究过程及结果表明，基于Elman神经网络的商业银行信贷风险识别及评估模型能够很好地反映信贷过程中的非线性因素，准确地预测出完整的信贷风险评估指标和信用等级之间的映射关系，能快速评估和有效减低商业的信贷风险。一组实例结果显示该评估模型的准确率接近90％。     

一种硬地层高效破岩技术应用分析

沙特阿美ATN区块三开直井段钻遇层段为Jilh、Sudair和Khuff,对应井深在3040-4150m,以白云岩、灰岩及碳酸盐为主,地层坚硬、研磨性强。上部层段页岩不稳定,掉块较严重,造成泥浆比重增大,使得钻进更加困难。使用常规的钻井方法机械钻速低,采用螺杆等井下动力钻具没有效果。现场试验证明,Φ228液动射流冲击器可有效解决硬地层机械钻速慢的难题,针对上述地层岩石抗压强度进行了量化分析,依据液动射流冲击器性能参数与岩石抗钻特性参数关系,结合应用井设计,制定了Φ228液动射流冲击器旋冲钻井提速方案,优选出旋冲钻井参数。在此基础上进一步优化了钻具组合及匹配钻头,并对匹配钻头的抗冲击能力和攻击性进行了分析。在ATN-1123井进行了现场提速应用。应用结果表明,Φ228液动射流冲击器提速效果显著,较邻井平均机械钻速同比提高47%。此次成功应用,为该区块硬地层钻井提速提供了有效技术手段。     

一种基于BP神经网络的B2C电子商务顾客满意度评价模型

针对当前电子商务顾客满意度评价方法所存在的不足，提出一种基于BP神经网络的评价模型。首先，建立了B2C模式下电子商务企业顾客满意度评价指标体系，然后根据指标体系，设计了BP神经网络模型，并利用神经网络工具箱对模型进行了实现，通过学习样本的训练，使模型的误差达到预定的范围内．验证结果表明，BP神经网络方法对B2C模式下电子商务企业顾客满意度评价有着良好的效果。     

基于BP神经网络的“三公”经费支出研究

以国家税务总局系统2011—2018年的"三公"经费数据为研究样本,对其近几年"三公"经费的实际支出和预决算差距进行分析.针对"三公"经费预决算差距情况,利用BP神经网络,将历年"三公"经费支出数据作为神经网络的输入,将下一年的实际支出作为神经网络的输出,通过神经网络的学习和训练,建立一个"三公"经费支出预测模型,提高"三公"经费预算准确度,为下一年"三公"经费的预算提供一定参考.     

基于PSO-SVR模型的煤炭铁路物流需求预测

在煤炭铁路物流需求预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低。将支持向量回归机（support vectorreg ression,SVR）与粒子群算法（Particle Swarm Optimization,PSO）相结合,提出适用于小样本量学习的PSO-SVR模型。选取1995-2011年的煤炭铁路货运量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的煤炭铁路货运量预测模型。建立BP神经网络模型,并将二者的预测值进行对比,结果表明在解决我国煤炭铁路物流需求预测这种小样本,非线性及高维模式识别问题中PSO-SVR模型预测精度优于BP神经网络模型。     

基于耦合神经网络的步态识别方法

主流步态识别过程中识别率易受到视角变化的影响,使用耦合网络模型解决最小类间距离大于最大类内距离的问题,利用步态样本比对解决识别问题。用二值图像序列合成步态能量图,联合使用逻辑回归与对比损失函数对模型进行训练优化,实验验证耦合神经网络的步态识别性能,并与普通卷积神经网络模型（CNNs）的识别结果进行对比。在背包与大衣遮挡情况下的识别率达到73.7％和60.5％,高于CNNs的识别率,并提高了遮挡情况下步态识别精确度。     

基于改进型BP神经网络的随机车祸持续时间预测

由于道路交通事故的复杂性使之对事故持续时间的预测困难。采用因子分析和BP神经网络相结合的方法，以福银高速福州段近两年交通数据为依据，采用因子分析获取造成车祸事故的少量公共因子，将公共因子做降维处理后作为BP神经网络的输入参数，利用三层BP神经网络实现对随机车祸持续时间的预测。其结果与回归算法、支持向量机算法以及传统BP神经网络算法相比，精准度高、收敛速度快。     

BP神经网络在安徽省GDP预测中的应用

根据2008年安徽省统计年鉴中的数据,构建并选用合适的BP神经网络建立了安徽省GDP的神经网络预测模型。计算结果表明,BP模型应用于安徽省GDP预测具有较高的预测精度和良好的泛化能力,它为经济预测工作提供了一种全新的思路和方法。     

基于fluent紊流幂律流体偏心环空数值模拟研究

为解决常规钻井水力学公式对偏心流场计算结果与实际有所差别的问题,揭示大位移井偏心环空水力行为规律,基于fluent软件对幂律钻井液偏心环空紊流流动进行了数值模拟研究,分析偏心度、稠度系数、流性指数、屈服值、钻杆与钻头组合对流动规律的影响.结果表明,随偏心度、稠度系数、流性指数、屈服值、钻杆与钻头尺寸比例的增大,环空中宽间隙处的流速、压力逐渐增大,而窄间隙处的流速、压力逐渐减小.     

基于遗传算法优化BP神经网络的企业营销风险预警研究

为了克服现有研究的缺限,文章提出了一个基于遗传算法优化BP神经网络的企业营销风险预警模型.首先阐明了BP神经网络和遗传算法应用于企业营销风险预警的可行性,然后构建了基于遗传算法优化BP神经网络的企业营销风险预警模型,接着通过某企业实例对模型进行了训练和测试.结果表明,该模型可以有效及时地对企业面临的营销风险做出预警.     

基于神经网络模型的上市公司财务预警研究

为了对上市公司财务状况进行合理预测,利用神经网络模型进行企业财务预警研究。首先,运用主成分分析等统计方法对初选的财务指标进行筛选,从初始指标中提取了五个因子作为财务预警指标;然后,选取2010至2013年间首次被特殊处理的上市公司作为财务危机样本企业,构建的财务预警模型提前三年的预测准确度近似于90%。研究结果表明,神经网络模型对我国上市公司财务状况预测具有较高的准确度,并且对预警指标进行适当的预处理,会提高模型预测的准确率。