基于双隐含层的AGABP偏好课程预测模型

为了预测学习者在网络教学平台中的课程偏好,采用反映学习者学习风格的4个主要指标,构建一个基于双隐含层的AGA_BP偏好课程预测模型。针对传统BP模型收敛速度慢、易陷入局部最小值的特点,应用自适应学习速率SGD优化算法对损失函数进行优化,不断增强种群适应度,并在模型中引入自适应遗传算法来调整交叉概率和变异概率,寻找最优参数。实验结果表明,AGA_BP模型的准确率、均方误差和F1分数均优于BP和GA_BP算法。

基于AGABP的武器装备效能组合预测

针对海洋环境影响下武器装备作战效能的评估问题,建立了基于BP神经网络的组合预测评估模型。利用神经网络,将多个方案的预测结果作为网络输入,其真实值作为输出,以组合预测模型均方误差最小为目标,属于一种非线性组合预测模型。同时针对BP网络收敛速度缓慢,容易形成局部极小解的缺点,提出了AGABP(自适应遗传反向传播)算法对其进行改进。最后针对某作战平台作战效能的评估实例,在多种单项预测模型的基础上利用AGABP算法进行组合预测,得到了较好的实验结果。

震灾网络舆情风险监测指标及其评估方法

为科学构建震灾网络舆情风险评估体系,在舆情监测指标构建基础上提出基于加速遗传算法的BP神经网络(AGABP)风险评估方法。依据网络舆情演化理论,围绕震灾网络舆情的物理属性和社会属性提出2个维度、4个二级指标和10个三级指标的震灾网络舆情风险监测指标体系。在评估方法上,针对常规评估系统对非线性、高维度和非正态评估问题的局限性,利用BP网络能够以任意均方差的精度逼近任意平方可积非线性连续函数的优势,将BP网络用于震灾网络舆情风险监测评估中,并用加速遗传算法(AGA)对BP网络参数进行优化,以解决常规BP网络存在训练速度慢和容易过早收敛的问题。通过随机样本数据对AGABP模型进行自学习训练,并用实际样本数据验证,结果表明:与BP神经网络、逻辑斯蒂曲线相比,本研究所构建的AGABP模型在收敛速度、评估准确度上有明显优势,能够用于震灾网络舆情风险管理实践中。