基于BP人工神经网络的有机化合物爆炸下限预测

运用定量结构-性质关系对458种有机化合物的爆炸下限展开预测研究。首先运用Dragon 2.1软件计算并预筛出708种分子描述符,随后采用遗传算法确定了5个特征分子描述符作为模型的输入变量,最后运用SPSS和MATLAB分别构建了多元线性回归线性模型、支持向量机与人工神经网络两种非线性模型。研究结果为:MLR模型的训练集和测试集的复相关系数R2分别为0.8387和0.8588;SVM模型的R^(2)分别为0.8569和0.8779;ANN模型的R2分别为0.9284和0.9328。由此表明,无论是训练集还是测试集,SVM模型的预测效果均优于MLR模型,ANN模型的预测效果均优于SVM模型,有机化合物的爆炸下限与其分子结构之间存在着较强的非线性关系。此外,本研究采用内外验证方法及与其他研究的比较对模型性能进行了验证,证实了ANN模型对爆炸下限具有较好的预测能力。通过绘制Wiliams图分析了模型的应用域,验证了所建模型均具有良好的泛化能力和鲁棒性。通过QSPR方法预测有机化合物的爆炸下限,能为危险化学品的风险管控及安全工艺的研究提供有力的理论和技术支持。

人工神经网络和支持向量机性能比较及其在DMD疾病识别中的应用

对人工神经网络(ANN)和支持向量机(SVM)这两种机器学习方法进行了分析与比较,并分别利用两种算法对神经肌肉罕见病DMD的磁共振图像(MRI)数据进行建模、分类预测.经对比后得出结论:两种算法结果均表明,DMD的两类MRI(T1和T2)中,T1更具特征性,故此类患者的MRI检查可仅进行T1扫描;若能选择合适的模型参数,则两种算法模型均具有极好的分类预测效果,其灵敏度、特异度和准确率分别高达98.5%,97.3%,97.9%和96.9%,97.3%,97.1%;利用机器学习方法对DMD患者的MRI进行分析处理可作为该病无创检测的技术探索,有望为临床提供客观有效的辅助诊断手段.

人工神经网络及支持向量机在降雨量预报中的应用

使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1h和3h预报的研究,并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6～7月的降水过程,比较了网络(文中指BPN、JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、强降雨区域和强度;使用命中率(HR)、虚警率(FAR)、漏报率(NAP)、临界成功指数(CSI)、相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明:网络和CCM对雨带和强降雨区域的预报比较准确,但是对强降雨中心位置和强度的预报与实况存在差异;在使用HR、FAR、NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响;预报的中小尺度结构与天气分析的结果一致;网络与CCM以及不同的网络之间的预报结果存在着差异;连续预报的结果表明,与CCM相比,网络对3h预报的效果优于1h的。

支持向量机与人工神经网络

支持向量机(Support Vector Machine,SVM)是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法;而人工神经网络(Artificial Neural Network,ANN)已经成功用于解决模式识别和任意非线性函数回归估计问题中.介绍了支持向量机与人工神经网络的基本原理,并对二者进行了逼近方面的比较,结果表明,支持向量机作为一种新兴技术而具有的独特的优越性.

支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究

地球化学勘查是通过发现异常、解释评价异常进行找矿的。因此,地球化学异常识别对矿产资源的定位、定量预测具有重要的的指示作用。在大数据时代的背景下,机器学习方法不要求数据满足正态分布的分布形式,且具有非线性以及泛化能力强等特点,因而逐渐地被应用于矿产资源的定量预测评价,如神经网络、支持向量机、贝叶斯网络、随机森林、受限玻尔兹曼机、极限学习机等。本文通过设计理论实验,可视化了不同算法,提出了不同机器学习方法在不同地区的地球化学异常信息提取中的效果存在不一致性的假设。在此基础上,以湖南香花岭锡多金属矿整装勘查区及甘肃合作金矿整装勘查区的地球化学异常提取为研究内容,将人工神经网络、随机森林以及支持向量机应用于研究区地球化学异常信息的提取与识别工作。在香花岭研究区,人工神经网络的结果较好,在合作研究区,随机森林的结果较好,从而验证了上述假设。通过生成两研究区的地球化学异常图,讨论了该方法在两研究区地球化学异常的地质意义和该方法的可靠性与实用性。此外,还完善了基于多种监督机器学习方法的地球化学异常信息提取流程,为软件开发提供了一定的理论依据。

支持向量机和人工神经网络在期权价格预测中的比较研究

期权定价已成为金融市场的重要组成部分之一。由于市场是动态的,准确预测期权价格非常困难。因此,设计和发展了各种机器学习技术来预测期权价格未来趋势。比较了支持向量机(SVM)模型和人工神经网络(ANN)模型在期权价格预测中的有效性。在测试和训练阶段,2种模型都使用公开可用的基准数据集SPY option price-2015进行测试。2种模型均采用主成分分析(PCA)转换后的数据,以达到更好的预测精度。另一方面,为了避免过拟合问题,将整个数据集划分为训练集(70%)和测试集(30%)2组。将支持向量机模型与基于均方根误差(RMSE)的神经网络模型的结果进行了比较。实验结果表明:神经网络模型优于支持向量机模型,预测的期权价格与相应的实际期权价格吻合良好。

支持向量机和人工神经网络在冠状动脉旁路移植术后晚期静脉移植血管病患病风险预测中的应用

目的探讨支持向量机和人工神经网络在预测个体冠状动脉旁路移植术后晚期静脉移植血管病患病风险中的应用。方法选取2015年3月-2017年12月天津市胸科医院CABG术后超过一年的冠状动脉粥样硬化性心脏病患者,分别应用径向基SVM、多项式SVM和BP神经网络建立晚期SVGD预测模型。通过受试者工作特征曲线下面积、精确率、召回率及F1指标评价模型的预测性能。结果 BP神经网络在测试集中反映模型精确率和召回率的F1值为0.84,而ROC曲线下面积均值为0.773,大于其他两种SVM预测模型。结论 BP神经网络对晚期SVGD的预测表现更佳,有助于临床的辅助诊断。

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法(CNN_SVM)对8类水稻种子进行分类识别。首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softmax分类模型对水稻种子图像进行分类识别比较。最后采用随机加入噪声点方法模拟噪声干扰稻种和调整色彩饱和度方法模拟不同年份稻种后进行分类识别。结果表明CNN_SVM模型对正常、噪声干扰和不同年份的水稻种子图像识别正确率分别为96.2%、95.8%和96.1%,识别单张图像时间为4.57 ms,明显优于CNN、SVM的传统模型。模型的抗噪和泛化能力强,能满足实际生活中水稻种子分类识别需求。

一种支持向量机粗糙神经网络的构造与分类决策

本文根据支持向量机可以解决小样本学习问题的优势,再结合粗集理论对不确定性问题分析的特点,提出一种支持向量机的粗糙神经网络的构造方法.该方法引入多个类似于支持向量机的子神经网络,并将网络中的隐层单元设计成由多组粗糙神经元构成的网络单元.这种新型神经网络具有结构确定、可解释性好、计算简单、收敛速度快等特点.最后,以某型歼击机的飞机舵面故障判决为例,用仿真结果证明,本文方法是行之有效的.

人工神经网络和支持向量机在剪接位点识别上的应用

将人工神经网络和支持向量机应用于剪接位点的识别中,并用标准测试数据集进行了5倍率交叉验证,测试结果显示人工神经网络和支持向量机对剪接位点的识别效果优于目前广泛使用的权阵列模型。

神经网络集成与支持向量机在多值分类问题上的比较研究

神经网络集成和支持向量机都是在机器学习领域很流行的方法。集成方法成功地提高了神经网络的稳健性和精度,其中选择性集成方法通过算法选择差异度大的个体,取得了很好的效果。而支持向量机更是克服了神经网络的局部最优,不稳定等缺点,也在多个方面取得了很好的结果。该文着重研究这两种方法在小样本多类数据集上的性能,在四个真实数据集上的结果表明,支持向量机性能要比神经网络集成稍好.

基于支持向量机的通信网络攻击行为分类检测方法

由于通信网络流量数据具有高维性与复杂性,传统的网络攻击行为检测方法的检测准确率较低。为提高检测准确率,文章提出基于支持向量机的通信网络攻击行为分类检测方法,即使用预处理后的流量数据构建图卷积神经网络模型,提取特征并输入支持向量机进行分类,得到最终的攻击行为分类结果。仿真实验结果表明,基于图卷积神经网络的分类检测结果的漏报率仅为0.78%,相较于基于BP神经网络和基于普通卷积神经网络的分类检测方法具有更高的检测精度。

基于神经网络集成分类器预处理的支持向量机分类算法

由于支持向量机分类算法对于小样本数据效果不是很好,本文提出了一种基于神经网络集成分类器预处理的支持向量机分类算法。该算法首先通过神经网络集成分类器扩充样本集,然后利用支持向量机分类算法对新样本集合进行学习。由于神经网络集成分类器可以较好地扩充样本集合,所以可以有效地提高支持向量机分类算法训练的精度。在UCI标准数据集上的实验表明,基于神经网络集成分类器预处理的支持向量机分类算法较传统的支持向量机算法具有更高的精度。

利用支持向量机和人工神经网络填补缺失数据

本文从R内置数据集iris中按需要选取样本数据建立学习样本,模拟生物样本属性值缺失和类别缺失两种缺失数据的情况,以MATLAB为工具,利用支持向量机和人工神经网络对缺失值进行填补。对于生物样本数据中存在属性值缺失的情况,可以分别采用支持向量机和人工神经网络进行回归填补,并对BP神经网络和RBF神经网络的适用性进行了对比;对于生物样本数据中存在样本类别缺失的情况,采用支持向量机分类填补。结果显示,用神经网络预测填补缺失的属性值时,RBF网络对隐层神经元数目选取的自适应性使之比BP网络更为稳定;相比人工神经网络,支持向量机对有限的样本更为适用,并且不依赖设计者经验,泛化能力强。

基于BP神经网络与多分类支持向量机的水质识别与分类

介绍BP神经网络与多分类支持向量机等分类模型的基本原理,并基于这两种方法对水质识别与分类的准确度进行实例比较研究,随机抽取了南昌市内2010—2013年水域水质的300组数据为样本,选取了pH,氨氮,Cl-,SO2-3,总硬度,硝酸盐氮为评价的主要特征。通过把训练后的模型在测试集中进行的检验对得到的模型进行评估,表明了BP神经网络和多分类支持向量机均可以较好地解决水质识别与分类过程中存在的复杂性,多变量,非线性等问题,相比较而言多分类支持向量机有较强的鲁棒性,预测结果更为精确稳定,将其应用到水质评价中具有一定的可行性。

基于BP神经网络和支持向量机的荨麻疹证候分类探讨

从知网、万方、维普等数据库中收集临床中医治疗荨麻疹有效的案例资料,基于BP神经网络和支持向量机模型探讨构建荨麻疹证候分类模型,并比较分析两种证候分类模型的精确度。结果显示,BP神经网络证候分类模型测试的准确率为83.13%,支持向量机证候分类模型测试准确率为92.3%,支持向量机证候分类模型的精确度高于BP神经网络证候分类模型。提示利用BP神经网络与支持向量机分类器进行荨麻疹证候分类均可取得较好的结果。但因本研究尚处在理论模型探讨阶段,故其准确度仍需更大的样本量及智能优化算法等以进一步提高。

天空云量预报及支持向量机和神经网络方法比较研究

使用支持向量机和人工神经网络两种方法,分别建立了天空云量的预报模型。利用2001年5月1日～2004年12月31日的武汉市地面、高空观测值及欧洲中心的24小时预报场等资料,通过按不同比例随机抽取样本进行交叉验证的方法,分析了SVM和ANN模型的预报能力和鲁棒性;然后再用全部样本资料建立预报模型,来预报2005年1月1日～5月31日武汉市天空云量。交叉验证和实例预报的结果显示:虽然SVM和ANN模型都表现了较好的预报能力,但SVM的预报能力高于ANN方法,且在计算速度上有ANN无法比拟的优势。

神经网络和支持向量机在认知诊断中的应用

认知诊断评估的主要问题是如何准确进行被试分类和项目属性标定。本文使用概率神经网络(PNN)和支持向量机(SVM)进行被试分类和属性标定,重点讨论PNN用于诊断的理论根据。模拟研究表明:PNN方法表现最好,训练速度快且具有很好判准率和标定准确率;PNN与GDD方法在分类上表现相当,在独立结构下PNN更好;线性SVM具有较好判准率和标定准确率。软计算中此类方法可非常方便推广至多级评分测验数据分析。

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。

卷积神经网络和支持向量机算法在塑料近红外光谱分类中的模型应用

机器学习算法的应用使得塑料自动分类成为可能,而废旧塑料的分类回收对保护环境、节约资源有重要意义。该文结合近红外光谱分析技术,比较了使用一维卷积神经网络(1D CNN)和多元散射处理后支持向量机算法(MSC-SVM)建模的效果,及对PP新生料、PP再生料、PE新生料、PE再生料4种塑料分类的准确率。基于100个塑料样本近红外光谱数据的分类结果表明,验证集上1D CNN模型准确率为91.5%,MSCSVM模型准确率为90.8%。1D CNN模型用于识别PP和PE新生料时,准确率可达100%。证明1D CNN建模方法在小数据集上进行准确塑料分类是可行的。