基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

内河船舶机会性互联的复杂网络模型及其时变特性

针对内河船舶间出现时空邻近的机会性现象开展建模及实证研究。在社会网络分析方法的基础上,提出了1种考虑时序特征的网络分析方法,将大尺度时间跨度上的网络聚类转化为小尺度跨度上的网络聚类,进而分析内河船舶在有限水域内的动态行为;考察船舶间形成邻近关系网络的时变特征,利用复杂网络表示船舶社会网络随时间的演化特性,并借助复杂网络模型对内河水域内存在较多互相熟识船舶的现象给出统计解释。基于长江下游200 km河段1个月的AIS数据,按时隙划分得到网络模型的序列,由此表现船舶间发生单跳数据交换关系的互联形态。实证结果表明:①船舶联网瞬时的度分布可用高斯分布拟合,拟合度在96%以上;②随着时间尺度的增加船舶社会网络的小世界特性和无标度特征愈加明显,网络形态在空间维度上呈现簇团情形,局部密集的组团网络由大部分静止和少量运动船舶连接起来,网络密度随时间缓慢增加至0.1左右,相对平均路径长度稳定在0.2~0.3之间,平均赋权集聚系数呈现缓慢下降的趋势最后趋于0.4~0.5,离散度较快趋向于1,并实现整体上的连通;③度值较高的船舶节点,其平均速度在不同时隙的船舶社会网络中分时段呈现相关性;④相对于船舶密度的增加,船舶在1 d内的平均友邻时间以指数形式递增,而船舶的重复相遇近似服从负指数分布。上述结果表明,内河船舶航行中数据交换关系的建立或断开是由物理空间中船舶间邻近关系的时变性决定的;内河船舶的历史交互行为对未来交互行为具有记忆性并产生影响。

一种融合GA和LSTM的边坡变形预测优化网络模型及其应用

考虑到BP神经网络模型忽略边坡监测数据存在的时间相关性,以及LSTM模型由于超参数选择存在主观性而易陷入局部最优等问题,提出一种基于遗传算法和长短期记忆网络(GA-LSTM)相结合的边坡变形预测模型,以发挥遗传算法全局搜索能力和LSTM预测时序数据的优势。以海明矿业露天采场边坡为研究对象,分别采用BP神经网络模型、LSTM网络模型以及GA-LSTM网络模型对边坡监测点GNSS49变形进行预测分析,并对比各模型达到收敛条件的时间。结果表明,GA-LSTM模型与其他模型达到同一收敛条件的时间差异不大,GA-LSTM模型的拟合准确度在0.1~0.2 mm,是LSTM神经网络模型的5~7倍,是BP神经网络模型的10~20倍,具有较高的精度和稳定性,其预测值与实际监测数据基本一致,可为矿山边坡的安全生产、管理以及决策控制提供科学依据。

基于YOLOv5神经网络模型的变电所压板开关状态的识别方法

煤矿变电所是大型煤矿供电系统的重要组成部分,变电所压板开关状态的精确识别是监测煤矿供电状态的重要环节。然而,随着变电所电气控制柜上压板开关数量的大幅增加,传统人工巡检存在的巡检速度慢、巡检精度低的问题愈发显著。针对上述问题,提出了一种基于YOLOv5神经网络模型的变电所压板开关状态识别方法。使用Pytorch深度学习框架进行了模型训练;设计了针对压板开关图像的预处理方法;采用得到的最佳模型对预处理后的压板开关图像进行检测并评估检测结果。实验结果表明该方法可以实现压板开关状态的智能识别,且具有速度快、精度高的特点。

面向2035的基础教育教师需求规模预测——基于BP神经网络模型

基于2003—2021年基础教育教师规模及其影响因素的变动情况,采用BP神经网络模型对2023—2035年基础教育教师需求和师资盈缺情况进行预测,发现基础教育教师总体需求规模呈现不断缩小的趋势,其中学前教育和小学阶段教师需求持续下降,初中和普通高中阶段教师需求呈先增后减趋势。这一期间,师资需求振幅较大,学前教育和小学阶段师资需求将出现阶段性短缺或过剩,这对教师资源的供给弹性和适应性提出了更高要求。基于以上发现,管理部门应稳定部署师范生招生计划,推进教师供需均衡;加强教育体系内贯通协作,促进教师合理流动;催生社会需求新业态,激励教师多元就业。

基于LSTM神经网络模型的铁矿石期货市场实证研究

随着国际大宗商品在金融和经济领域的影响力不断增强,会通过产业间的波及效应作用于物价水平,进而影响到国家的经济增长。近几年掀起了机器学习研究的热潮,基于机器学习的投资量化分析也越来越受到关注。文章基于LSTM神经网络模型,选取了2021年9月至12月底的铁矿石主力合约高频数据建立了趋势预测模型。实验结果表明,该模型拟合良好,能够较好地预测铁矿石期货短期内的趋势。

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。

基于各项异性网络模型研究μ阿片受体的动力学及关键位点

阿片类药物主要通过选择性作用于μ阿片受体(μ-opioid receptor, MOR),激活抑制性G蛋白来实现镇痛的效果。由于其使用常伴随成瘾、呼吸抑制等严重的不良反应,针对阿片受体的药物研发成为一大挑战。为研究MOR的结构动力学和功能性关键位点,首先基于各向异性网络模型(Anisotropic network model, ANM)分析低频、高频运动模式下的残基涨落以及残基间的交叉相关涨落;然后,构造氨基酸复杂网络识别与变构信号传导相关的关键残基。结果表明,慢运动模式可有效识别结构中的功能区域,快运动模式能够识别对稳定MOR非活性结构重要的热点残基,运动相关性分析则揭示了跨膜螺旋区域变构信号的转导机制。另外,复杂网络识别出的关键残基在配体结合和信号传递中起重要作用。本工作有助于理解μ阿片受体的动力学特性和关键位点,并为药物设计提供有益的参考信息。

基于定性网络模型评价生态调控情景对海洋牧场生态系统的影响——以獐子岛海洋牧场为例

在海洋牧场建设过程中,生态调控方式实施后对海洋牧场生态系统的影响通常难以预测,这对海洋牧场的生态安全和高质量发展提出了严峻挑战。为此,建立了一种基于定性网络模型(Qualitative network model,QNM)的海洋牧场生态系统模拟评价方法,并以獐子岛海洋牧场近岸增殖海域作为研究区域,构建以增殖目标种为核心的定性网络模型,模拟评估海洋牧场3种不同类型的生态调控情景(增殖目标种、移除捕食者、海藻场修复)及其复合条件下,牧场群落范围内的响应,分析海洋牧场生态调控策略与生物功能群变化之间潜在关系。结果显示:目标种增殖(仿刺参和虾夷扇贝)产生的上行效应导致其捕食者呈现积极响应,产生的下行效应导致其它底栖动物、浮游植物和有机碎屑等功能群呈现消极响应,移除捕食者海星产生的下行效应导致虾夷扇贝呈现积极响应,表明在增殖区清除敌害生物的重要性,海藻场修复对整个群落有明显的积极影响,体现了海藻场在养护近岸生态系统的重要生态意义。研究表明:QNM可有效识别生态系统潜在的营养级联效应,评估生物功能群的响应,基于QNM的海洋牧场生态调控模拟评价方法,突破了定量食物网模型在数据有限系统中使用的局限性,可为海洋牧场建设的生态调控策略制定提供科学参考。

基于线上-线下超网络模型的舆论演化仿真分析

目前在舆论演化模型及其动力学规则的研究中大多数都没有考虑线下网络,导致其无法真实反映舆论传播过程。为解决上述问题,首先利用线上-线下社交网络映射方法得到线上-线下社交网络拓扑结构;然后构建线上-线下超网络模型,集成舆论事件态势信息形成舆论演化仿真环境;最后,利用传播学原理制定线上-线下超网络模型动力学交互规则,进行舆论动力学仿真。将提出型用于事件实例分析,仿真结果与舆论事件实际发展情况之间的余弦相似度达到0.99,平均差值为1%。实验结果表明,所提模型取得了比其他方法更好的仿真效果,验证了线上-线下超网络模型和舆论动力学交互规则的正确性和有效性。

油浸式变压器的全域热网络模型

热点温度是衡量变压器绝缘性能和安全裕度的重要指标,对其进行快速准确计算具有重要的意义。对油浸式变压器内部的产热和传热机理进行了分析,得到自然对流边界层中速度和温度分布与流体普朗特数Pr的关系,考虑到局部自然对流换热系数的沿程变化以及不同区域传热特性的差异,对油浸式变压器进行了分区分层处理。基于热电类比法定义了多种热阻类型,构建了油浸式变压器的全域热网络模型;通过有限元仿真对比了热网络模型的计算结果。二者所得绕组温度变化趋势相同,热点温度相差约1.9%,热点位置相差约7.7%。相比于有限元仿真,热网络模型在求解时间和效率上更有优势,能够实现油浸式变压器运行状态的在线监测、实时分析和动态评估。

基于STFT-ECA-ResNet18网络模型的滚动轴承变负载故障诊断

针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。

男性运动员睡眠障碍的神经机制探究:基于复杂网络模型

目的:通过使用无目标不加权及目标加权的复杂网络模型方法,分析睡眠障碍运动员睡前神经机能状态与睡眠质量的复杂作用方式,揭示运动员发生睡眠障碍的神经机能状态特征。方法:在睡眠实验室内使用多导睡眠仪监测14名男性睡眠障碍运动员4晚完整睡眠,并在睡前使用便携式脑电仪、超慢波涨落潮技术、Polar H10心率胸带和心境状态量表,分别测试或评估中枢机能状态、脑内神经递质水平、自主神经状态以及情绪状态。基于测试数据分别建立无目标不加权,以及以睡眠质量为目标的加权复杂网络模型。结果:1)无目标不加权的复杂网络模型中,介数中心性结果提示,慌乱、精力和愤怒情绪、α抑制%、去甲肾上腺素(NE)和多巴胺、相邻窦性R-R间期差值大于50 ms所占百分比(PNN50)、平均R-R间隔、平均心率(MHR)和睡眠总时间是此网络的关键影响节点。特征向量中心性分析结果显示,上述指标中除PNN50、NE和MHR外,抑郁、紧张和疲劳情绪与其他指标仍是网络的重要连接节点。2)在以睡眠质量为目标的加权复杂网络模型中,目标介数中心性结果发现,情绪状态在到达睡眠质量指标的最短路径中出现频率最高(48.57%),其次神经递质和睡眠指标频率相同(14.29%),而中枢神经机能状态和自主神经状态出现的频率最低(11.43%)。目标特征向量中心性结果表明,情绪状态成为影响睡眠质量最重要的影响因素,出现频率为82.86%,其次是自主神经状态出现频率为8.57%,而中枢神经机能状态、神经递质和睡眠指标出现频率相同(2.86%)。结论:运动员睡眠障碍的主要表现为总时长短,睡眠期间觉醒时间长导致睡眠效率低。复杂网络模型方法揭示了情绪(主要为消极情绪)是睡眠质量低和睡眠障碍发生的主要影响节点和关键因素,其中愤怒、慌乱情绪与脑内神经递质(5-HT和DA)、中枢疲劳程度相关,中枢疲劳程度和自主神经协调性与精力状态相关。

泵站水电转换系数的BP神经网络模型

为实现区域性水电转换系数的智能预测和动态修正,以江苏省连云港市为研究区,采用贝叶斯正则化算法进行含噪数据分析,构建了大中型灌区典型提水泵站水电转换系数的BP神经网络模型,并通过泵站实测数据对模型进行验证。结果表明,连云港市泵站水电转换系数区域特性影响因素主要包括配套功率、流量、转速和效率,模型拟合优度为0.961,且泵站预测值与实测值误差均在允许范围内。由该模型及56个建模数据得到连云港市泵站水电转换系数分布区间为[11.03,69.30];通过参数优化所建立的BP神经网络模型能够实现区域性泵站水电转换系数的智能预测和动态修正,为多元水泵承包主体实行用电定额节水管控提供了新思路。

基于改进YOLOv5s网络模型的火灾图像识别方法

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验数据集上的测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升。改进模型的mAP为85.72%,帧率达54.66fps;在置信度上有了明显提升,对多目标和小目标的识别效果更好,并且有效降低了漏检和误检情况。所提出的火灾图像识别方法可适用于安防监控系统或智能机器人。

基于数字孪生的配电网潮流网络模型构建研究

由于配电网中导线重复接地对潮流计算收敛性的影响,无法获取精准配电网潮流求解结果,为此,提出了基于数字孪生的配电网潮流网络模型构建研究。根据配电网数字孪生技术架构,计算配电网鲁棒最优潮流。依据配电网对电机出力和负荷需求,构建基于鲁棒优化的鲁棒约束函数,引入保守度调节参数使调控安全性与经济性达到平衡状态。分析配电网潮流网络拓扑结构,结合预设的特征数据类型与特征关联信息之间关系,确定配电网潮流方向。结合数字孪生技术迭代处理注入电压,完成数字孪生潮流网络模型构建。实验结果表明,该模型收敛次数较多,最短收敛时长为1.30 s,具有良好的收敛性。

神经网络模型在大学生在线学习预测中的应用研究

为了较为准确地预测大学生在线学习效果,提出一套基于神经网络的学生在线学习行为分析模型。首先介绍该模型的输入项、输出项、数据处理方法以及整体拓扑结构。利用学生日常学习行为数据对神经网络模型进行训练,并通过该模型对学生的期末考试成绩进行预测。实验研究发现,所提出的神经网络模型在学生学习效果预测方面体现出了较为理想的准确度水平,具有一定的应用价值。

混合热网络模型的构建及其结温估计方法

随着绝缘栅双极晶体管在电力电子系统中的广泛应用,对影响其可靠性的结温的准确获取变得至关重要。然而,模块主要的失效形式之一即焊料层的老化,会对结温产生很大的影响。为精确估计结温,结合2种传统热网络模型Cauer和Foster的优点,研究了2种热网络模型的接口方法,完成两部分模型的结合,将芯片焊料层的老化考虑在内提出了一种混合热网络模型。最后,通过有限元仿真和实验测试与混合热网络模型的计算结果对比,验证了混合热网络模型能够实现准确的结温估计,为模块运行状态的监测提供了依据。

基于贝叶斯网络模型的慢性阻塞性肺疾病伴重症肺炎患者合并低氧血症危险因素分析及气管镜介入治疗的效果观察

目的 探讨慢性阻塞性肺疾病(COPD)伴重症肺炎患者合并低氧血症的危险因素及气管镜介入治疗的效果。方法 回顾性分析2019年10月至2022年10月北京市房山区第一医院收治的183例COPD伴重症肺炎患者的临床资料,采用随机数字法将就诊患者以2∶1的比例分为训练集(122例)和验证集(61例)。根据是否合并低氧血症,将训练集患者分为合并低氧血症组(37例)和未合并低氧血症组(85例)。比较两组患者临床资料,分析影响患者合并低氧血症发生的危险因素,采用受试者工作特征(ROC)曲线评估各危险因素对患者合并低氧血症发生的预测价值。构建贝叶斯网络模型进行推理预测,利用训练集数据对模型区分度和准确度进行评价,利用验证集数据对模型进行外部评价。比较气管镜介入联合无创机械正压通气(NPPV)治疗与常规NPPV治疗对COPD伴重症肺炎的治疗效果。结果 多因素分析结果显示,年龄、体重指数(BMI)、吸烟、白细胞计数、C-反应蛋白、氧合指数、最低氧分压及肺功能(以1秒用力呼气容积/用力肺活量,FEV1/FVC表示)均为低氧血症发生的独立危险因素(P<0.05);8种危险因素均对COPD伴重症肺炎患者合并低氧血症有较高的预测价值[曲线下面积(AUC)=0.816、 0.822、 0.768、 0.839、 0.826、 0.793、 0.802、 0.857],8种因素联合预测结果(AUC=0.899)高于单独指标(Z=2.314、2.067、4.558、1.874、2.013、3.750、3.109、1.422,P<0.05)。训练集和验证集结果均显示贝叶斯网络预测模型具有较好的区分度和准确度。与常规NPPV治疗相比,气管镜介入联合NPPV治疗酸纠正时间、无创通气时间及住院时间均明显缩短;有创通气发生率和病死率均显著降低,差异均有统计学意义(P<0.05)。结论 以年龄、BMI、吸烟、白细胞计数、C-反应蛋白、氧合指数、最低氧分压及肺功能8种因素构建的贝叶斯网络预测模型预测COPD伴重症肺炎患者合并低氧血症的危险因素效果良好,气管镜介入联合NPPV治疗效果明显优于常规NPPV治疗。