基于主成分降维及多层感知神经网络的辛烷值预测分析

辛烷值是评价汽油质量的重要指标,汽油在精制脱硫和降烯烃的过程中,辛烷值普遍出现了损失.建立预测模型来预测辛烷值,帮助企业优化工艺流程进而提高成品油辛烷值的含量具有重大意义.根据某石化企业的精制脱硫装置保留下来的数据进行分析,选取独立且具有代表性的20个变量,基于主成分降维的多层感知神经网络建立辛烷值的预测模型.实验结果表明,当隐藏层的神经元个数为10时,MSE、RMSE、MAE均最小,此时该模型具有较高的预测精度和较好的拟合度.此模型不仅揭示了变量与辛烷值之间的非线性映射关系,同时也为预测辛烷值提供了一种新的思路.

基于多层感知神经网络的糖尿病并发症预测研究

糖尿病并发症患者的死亡率高于仅患糖尿病患者的死亡率,预测糖尿病并发症有重要意义,以辅助临床早发现和早治疗糖尿病并发症,降低糖尿病患者死于并发症的风险。本研究目的是根据糖尿病患者的尿常规检查、生化检查和糖化检查信息,构建预测糖尿病并发症的多层感知神经网络(MultilayerPerceptron,MLP)模型,并筛选对糖尿病并发症预测影响较大的指标,以期提高糖尿病并发症的诊断筛查。依据《实用内科学》中关于糖尿病及其并发症的诊断术语规范诊断结果的糖尿病并发症种类。分别以尿常规检查、生化检查和糖化检查的各项指标为自变量,以糖尿病并发症种类为因变量,应用MLP算法建立糖尿病并发症预测模型,并以Boosting方法提高MLP模型预测准确率,同时与统计模型Logistic回归对比分析。MLP模型筛选出对糖尿病并发症预测影响较大的4项尿常规和6项生化检查指标,其中影响最大的是患者的年龄。尿常规检查和生化检查的MLP模型准确率较高,分别为87.56%、67.94%,且收益图曲线上凸明显,接近理想曲线。糖化信息的MLP模型准确率低仅39.31%,收益图曲线呈锯齿状上升,远离理想曲线。Logistic回归模型的准确率都较低,收益图曲线均远离理想曲线。基于糖尿病患者的尿常规检查、生化检查和糖化检查等信息,构建的尿常规检查和生化检查的MLP模型预测效果较好,并筛选出对糖尿病并发症预测影响较大指标,结果可用于辅助临床医生优化诊断和治疗糖尿病并发症。MLP模型比Logistic回归模型准确率更高、收益更好,更适用于糖尿病并发症的预测。

PCA-MLP神经网络模型在黄河宁夏段径流预测中的应用

为提高短时间尺度的月径流量预测效果并简化神经网络模型结构,将主成分分析(PCA)和多层感知器神经网络(MLP)相结合,构建PCA-MLP神经网络模型预测汛期月径流量。模型首先采用主成分分析法确定影响径流量的主要影响因子,再将主要影响因子数据输入MLP神经网络模型,预测月径流量数据。将宁夏青铜峡水文站2010—2019年汛期的月径流量和影响因子数据作为训练样本训练神经网络模型,以2020—2022年汛期月径流量和影响因子数据作为检验样本进行对比分析。预测结果表明:目前影响汛期径流量的因素主要是历史径流和气候特征,检验集预测结果确定性系数为0.851,模型可为宁夏汛期月径流量预测提供相应指导。

基于多层感知器神经网络的小微企业信贷风险研究

文章以多层感知器神经网络算法为基础,对某小贷公司的小微企业信贷数据库中的信贷记录进行了信贷评估,并将该结果与决策向量机、线性判别、二次判别和逻辑回归等数据挖掘方法进行了比较。分析结果表明,从总体上看,多重感知器神经网络算法优于传统的基于参数的分类方法,即多层感知器神经网络算法拥有相对较高的ROC曲线下面积和较低的预期错误分类成本。更进一步,在研究所采用的4种MLP算法中,基于BFGS Quasi-Newton训练算法的MLP表现最为出色,可以作为金融机构进行小微信贷风险评估的辅助决策模型。

基于径向基—多层感知器神经网络联合的复杂岩相智能识别与表征

苏里格气田东二区二叠系石盒子组盒8段(以下简称盒8段)为典型的河流相致密砂岩储层,其强非均质性及复杂的储层结构导致该区面临“甜点”储层优选困难等关键技术瓶颈。为此,在分析盒8段储层岩相类型及组合特征、岩相约束下测井数据特征的基础上,建立了一种契合岩相及其组合特征、测井数据特征、人工智能算法原理的径向基—多层感知器神经网络联合模型,并开展了储层岩相的精确识别与表征研究。研究结果表明:(1)盒8段发育块状层理砾岩相、槽状交错层理粗砂岩相、板状交错层理粗砂岩相、板状交错层理中砂岩相、平行层理中砂岩相、交错层理细砂岩相、波状层理粉砂岩相、块状层理泥岩相8种岩相类型;(2)盒8上亚段曲流河相储层岩相密度偏小、岩相频率偏高、对应测井数据分布较分散,盒8下亚段辫状河相储层岩相密度偏大、岩相频率偏低、对应测井数据分布较集中;(3)建立的径向基—多层感知器神经网络联合模型识别准确率可达89.06%,相较于单一神经网络模型、交会图、主成分分析和决策树等方法识别准确率明显提高。结论认为,建立的径向基—多层感知器神经网络联合模型不仅克服了现有岩相识别方法准确率低且难以推广的缺陷,而且对实现河流相强非均质性致密砂岩储层高效开发具有重要意义。

基于蜂群算法和神经网络的通信调制识别方法

针对现有基于误差反向传播算法的多层感知器神经网络分类器在信号识别中存在收敛速度缓慢、出现假饱和现象等问题,采用蜂群算法提取信号的联合特征模块,提出快速支持、超级自适应误差反向传播、共轭梯度3种不同算法分别应用于多层感知器神经网络分类器,实现对通信信号的自动识别。所提算法和误差反向传播算法相比有更高的识别率。仿真结果表明,所提算法能够克服误差反向传播算法的缺陷,在隐藏层神经元仅为20个、信噪比为4dB条件下,3种算法的识别率均高于95%,且系统易于实现,在信号识别中具有广泛的应用前景。

基于BAS-BP神经网络的多应力加速寿命试验预测方法

为解决多应力条件下加速寿命试验中建立复合加速模型困难、模型参数难以求解以及建模过程中通常忽略应力间耦合作用的问题,根据天牛须搜索建立改进的BP神经网络模型。使用多应力加速寿命试验中收集的4组应力水平的失效数据对BAS-BP神经网络模型进行训练,对第5组应力水平下的可靠度与失效时间进行预测。利用平均相对误差、拟合优度2个参数对模型的预测结果进行评价,并与BP神经网络的预测结果进行对比。结果表明,BAS-BP神经网络具有更好的准确性及鲁棒性。

电液伺服系统的神经网络建模方法研究

针对电液伺服系统固有的流量-压力特性等非线性因素使得采用传递函数等传统方法难以获得电液伺服系统的精确模型的问题,详细研究了电液伺服系统的神经网络建模方法。研究了两种最常见的神经网络,即多层感知器神经网络和径向基函数神经网络,采用5种典型学习算法构造了3种多层感知器神经网络和2种径向基函数神经网络,并结合自动定深电液伺服系统的工程实例,详细分析了这5种神经网络在电液伺服系统中的建模性能。研究结果表明,采用正交最小二乘算法的径向基函数神经网络最适合电液伺服系统的建模。

基于MLP神经网络的数控铣床几何误差补偿方法

针对三轴数控铣床加工工件的几何误差问题,提出一种基于多层感知器(MLP)神经网络的误差补偿方法。首先,设定铣床沿X轴和Y轴方向对工件进行铣削加工,通过3D坐标测量机测量刀头在Z轴上的定位误差数据。然后,利用这些数据来训练MLP神经网络模型,拟合出三维的误差曲面。最后,根据获得的误差曲面,对铣床加工时的刀头坐标进行实时校正,以此提高加工精度。实验结果表明,提出的方法能够对机床加工误差进行精确地补偿,具有有效性和可行性。

基于多特征因子的路用集料粒径计算神经网络模型

在道路施工及养护过程中,高效、准确地测量沥青混合料中的集料级配是保证混合料骨架结构稳定及施工质量的重要环节。针对基于单一几何模型应用在粗集料颗粒分档时,存在粒径计算不准确、无法满足施工要求的问题,文中提出一种基于多特征因子的路用集料粒径计算神经网络模型,实现对集料颗粒粒径的准确计算。首先,对采集到的集料颗粒图像进行几何特征提取,并对提取到的特征数据进行数据清洗和归一化等处理,建立样本数据集;然后通过相关性分析,提取出与集料粒径相关性较强的特征因子;最后,构建多层感知机(MLP)神经网络模型对数据集进行训练,并采用敏感性分析得到用于表征集料粒径的重要特征权重,实现对集料粒径的准确计算。结果表明,文中提出的集料粒径计算方法与卡尺法测量的结果拟合精度较高(相关系数R2=0.91),与二阶矩、等效椭圆等传统几何模型方法相比不仅明显提高了精度,而且可以实现快速虚拟筛分,显著提升后续的筛分效率。

人工神经网络和遗传算法在微带交指电容器设计中的应用

将神经网络技术 (ANN)与遗传算法 (GA)相结合对交指电容器 (IDC)进行了分析与设计。采用多层感知器神经网络 (MLPNN)建立了交指电容器的模型 ,并利用遗传算法的全局搜索能力根据实际需要优化设计交指电容器的结构。模型训练样本的S参数由时域有限差分 (FDTD)方法得到。结果证明该方法具有较高的准确性 。

神经网络对老年冠心病患者发生冠脉支架内再狭窄的初步研究预测

目的探讨老年冠心病患者发生经皮冠状动脉介入治疗(percutaneous coronary intervention,PCI)术后支架内再狭窄(in-stent restenosis,ISR)的危险因素,并利用多层感知器神经网络分析、学习和预测冠状动脉ISR。方法随访93例有PCI手术史的老年患者(年龄≥65岁),用简单随机化分组抽取其中76例患者作为训练组,17例作为预测组。对93例患者的年龄、PCI术后年份、原有冠脉病变血管数、支架长度、支架内径、糖化血红蛋白(HbA1c)、低密度脂蛋白(LDL-C)、高密度脂蛋白(HDL-C),脂蛋白a、尿酸(UA)进行非条件Logistic回归分析,总结出有统计学意义的因素,并对预测组进行预测。再使用多层感知器神经网络学习训练组,建立与ISR之间的隐性联系模型,寻找重要的变量。最后,利用多层感知器神经网络预测预测组中17例老年冠心病患者PCI手术后是否会发生ISR,比较两种预测结果并进行评估。结果非条件Logistic回归分析结果表明,PCI术后ISR患者和无ISR患者,原植入支架的内径具有显著差异,支架内径越小,发生ISR概率越高(P=0.004);PCI术后随着时间的推移,发生ISR的概率有明显增高(P=0.012);存在多支病变的患者发生ISR比例明显高于单支病变的患者,两者具有显著差异(P=0.037);ISR患者的HbAlc水平明显增高,与无ISR的患者比较,两者具有显著差异(P=0.026)。多层感知器神经网络模型的变量重要程度表中,Hb A1c为最为重要,其次为脂蛋白a,第三为支架直径。用多层感知器神经网络预测测试组中会发生ISR的正确率为82.4%,高于逻辑回归预测的76.5%。多层感知器神经网络预测结果更令人满意。结论支架直径、多支病变、术后年份、HbA1c、脂蛋白a对冠状动脉ISR具有显著性影响。使用多层感知器神经网络模型预测冠状动脉ISR的发生正确率更高。

人工神经网络在金相图像分割中的应用研究

利用多层感知器神经网络和自组织映射神经网络对球墨铸铁、可锻铸铁和灰铸铁的金相图像进行了分割提取。通过对比以上两种方法分割后的图像质量和定量分析样本图像中的石墨结构、珍珠岩/铁氧体结构所占的百分含量后发现,多层感知器网络分割提取的结果与样本实际的结果更加接近,而自组织映射神经网络分割提取的结果则不够理想。据此,可以推断多层感知器网络是实现金属图像分割自动化提取和精确性分析的有效工具。

相关性分析-神经网络模型在宁夏用水量预测中的应用

为了提高用水量预测精度,并且掌握各行业用水量比例。提出了相关性分析和多层感知器神经网络(MLP)耦合模型预测行业用水量,该模型首先利用相关性分析的方法筛选出对行业用水量影响较大的因子,再将主要因子数据输入到神经网络模型预测出行业用水量。进一步以地处干旱区域的宁夏回族自治区为例,提取2002—2016年主要影响行业用水的因子训练预测模型,以此模型预测2017—2020年的用水量并检验预测精度;预测结果显示,总用水预测值与实际值的多年相对误差均值仅为1.00%。最后使用该耦合模型对宁夏规划水平年2025年行业用水量进行预测,预测结果表明2025年宁夏总用水量有下降的趋势,这种变化趋势与自治区近几年大力推进节水型社会建设的政策相符合。

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.

基于多层感知器神经网络的双相障碍早期识别研究

多层感知器(MLP)神经网络属于多层前馈神经网络,具有高度智能化的特征与能力,其可以通过网络自身学习来实现复杂的非线性映射。双相障碍是一种严重的精神疾病,具有高复发率、自残率和自杀率。大多数双相障碍以抑郁发作起病,容易被误诊为单相抑郁症而延误治疗,影响预后。双相障碍的早期识别对双相障碍患者非常重要,由于该过程的非线性特点,本文探讨了MLP神经网络应用于双相障碍早期识别的效果。样本数据分为两组,包括复发抑郁组143例及双相障碍组107例;通过对两组间的临床特征进行统计学分析,筛选出具有显著差别的42个变量作为神经网络的输入变量;本研究通过选取不同的神经网络内部结构,随机抽取部分案例作为学习样本,其它作为测试样本,对于双相障碍的识别均获得了较好结果,说明MLP神经网络可应用于双相障碍的早期识别中。

基于多层感知器神经网络对遥感融合图像和TM影像进行土地覆盖分类的研究

８０年代以来，人工神经元网络（ＡＮＮ）技术的应用不断向广度和深度发展．用不同空间分辨率的ＴＭ和ＩＲＳ遥感图像进行融合，综合了不同传感器数据所提供的信息，增强了图像的清晰度，改善了解译效果。用多层感知器神经网络对遥感融合图像进行分类，分类精度达９５％，比用多层感知器神经网络对ＴＭ图像进行分类（分类精度达７３％）效果要好．

多层感知卷积神经网络的国产多光谱影像分类

联合像元谱段信息与空间结构特征,提出一种适用于多光谱遥感影像像素级分类的多层感知卷积神经网络(MPCNet),并基于吉林1号光谱卫星(Jilin-1GP)影像,在印度纳西克研究区对地表覆盖分类算法进行性能测试。为保证实验的高可靠性,在相同时间段结合Landsat8、Sentinel-2A及HJ-1A影像进行同步分类来定性与定量评估。除此之外,选取三个当前流行算法支持向量机(SVM)、LightGBM、浅层卷积神经网络(CNN)进行算法性能比较。实验结果表明,在Jilin-1GP影像上的总体分类精度可达94.0%~95.8%,Kappa系数达到0.932~0.948。相比准确率较高的浅层CNN,MPCNet的总体分类精度提升3.7个百分点。

基于知识采纳模型和多层感知机神经网络的评论有用性识别研究

移动互联网、社交媒体平台及电子商务的迅速发展,产生了大量的用户评论,其商业价值凸显,如何有效识别用户评论的有用性成为重要研究主题。本文提出基于知识采纳模型(Knowledge Adoption Model,KAM)理论和多层感知机(Multilayer Perceptron,MLP)神经网络的分类算法对评论文本进行有用性识别。该算法根据知识采纳模型理论从评论质量和评论来源可信度两方面进行评论有用性识别的特征提取:利用先验领域知识词典构造领域词占比、停用词占比等评论质量方面的特征,有效解决了特定领域评论存在的领域知识壁垒问题;根据评论作者的粉丝数、作者获赞数等信息构建评论来源可信度方面的特征。为了验证本文所提方法的识别效果,本文采用知乎论坛中医相关评论数据进行实验;实验结果表明,本文提出的方法能有效提高在线评论有用性的分类效果,提高了可解释性。

多层感知人工神经网络算法在蠓分类上的应用

目的运用多层感知人工神经网络算法对吸血蠓属和非吸血蠓属进行分类预测,为蠓建立简单、有效的分类方法。方法对捕获的123只蠓经专家鉴定后分为78只吸血蠓和45只非吸血蠓,测量蠓的几何形态学翼长和触角长度,将采集到的数据导入Weka软件包,采用多层感知人工神经网络算法以不同的k折交叉验证建立分类预测模型。结果获得了高准确率的多层感知人工神经网络分类预测模型,在5折交叉验证建立的模型预测力最强,准确率0.9593,灵敏度0.9741,特异度0.9348。结论蠓的几何形态学数据与人工智能算法相结合可以建立准确的吸血蠓属和非吸血蠓属分类预测模型。