基于前馈神经网络的钻孔精度影响因素预测模型

孔的加工是影响机械产品质量的关键工序之一,一旦出问题很难修复,钻孔精度的提升对于改进孔的加工质量、降低钻孔工件废品率、减少重复加工有着重要意义。机械产品中设计孔时经常有较高的精度要求,但实际孔加工时受到设备、钻头、材料加工方法等的影响,其精度影响因素众多,要在加工前对孔的加工精度进行预测,无法利用数学关系建立准确的预测模型,因此将其精度主要影响因素进行分析,设计影响因素的主要数据采集点,通过小批量的实验采集数据建立钻孔实验数据库,结合其数据特点,基于多模态的需要,利用深度为2的前馈神经网络拟态模型将钻孔精度定义的定位精度、尺寸精度、形状精度、表面精度和垂直精度五种精度建立预测模型,利用Adam优化器,结合均方误差(mean-square error,MSE)以及梯度下降法进行反向传播训练,对比实际加工结果,本模型在训练集中达到了89%的孔加工精度预测准确度。基于本模型的结果即可针对孔加工过程不同的影响因素进行针对性调整优化,提升孔加工的整体精度。

基于Probit回归模型和BP神经网络模型的宁夏盐池滩羊产量影响因素及预测研究

通过对滩羊养殖户户主和家庭基本特征、养殖场生产经营特征、优质化生产认知情况以及疫病防治情况进行调查,采用Probit回归模型和BP神经网络模型分析了宁夏盐池县12个滩羊养殖村滩羊肉产量的影响因素,并预测了未来5年的滩羊肉产量情况,预测结果表明到2025年,宁夏滩羊产量将达12.5万t,宁夏滩羊产业总体呈现良好的发展势头。

基于BP神经网络的中小跨境电商企业网络营销绩效影响因素研究——以广西为例

近年来,凭借优越的区位优势和政策优势,广西跨境电商发展迅猛。作为广西跨境电商行业主力军的中小企业,利用跨境电商拓宽了网络营销的区域。但由于跨境电商起步较晚、专业人才较缺乏等原因,网络营销的优势尚未得到充分发挥。因此,文章运用BP神经网络法,构建网络营销绩效的影响因素的体系模型,对广西中小跨境电商企业网络营销绩效的影响因素进行测度分析。结果表明,跨境支付安全性、购物流程便捷性、客户服务等因素均对网络营销绩效具有较强的影响。本研究深入剖析影响网络营销绩效的因素,有助于提升广西中小跨境电商企业的网络营销绩效,进而推动广西跨境电商产业的快速发展。

基于MI-PSO-RBF神经网络的铁路客货运量预测研究

准确地预测铁路客货运量对合理配置运输资源、提高铁路客货运组织工作效率有重要作用。为提高铁路客货运量的预测精度,提出一种基于MI-PSO-RBF神经网络的客货运量组合预测模型。本研究对铁路客货运量的影响因素及其内在关联进行分析,选取相关指标,利用互信息素法对指标进行筛选,构建影响因素指标体系。基于该指标体系,运用粒子群算法优化的RBF神经网络模型分别对铁路客货运量进行预测,并与传统的BP神经网络、RBF神经网络预测模型进行比较。结果显示,经过参数调整优化后的MI-PSO-RBF神经网络在铁路客运量及货运量的预测精度方面表现最佳,测试集R2分别达到了0.9481与0.9911,具有较高的精度及泛化能力,表明该组合预测模型能够进一步提升神经网络模型预测铁路客货运量精确度。

基于BP神经网络的DRG付费胆结石患者住院费用影响因素研究

目的:分析DRG付费胆结石患者住院费用构成及影响因素,为医院控制不合理费用、减少亏损提供依据。方法:以四川省攀枝花市某三甲医院2019年—2021年纳入DRG付费的胆结石住院患者的费用数据为样本,采用单因素分析进行费用比较,并建立BP神经网络模型对患者住院费用的主要影响因素进行分析。结果:药品费和材料费是占比最高的项目,合计占比达44.59%。影响胆结石患者住院费用的因素按重要性从大到小排序为住院天数(0.373)、是否手术(0.212)和年龄(0.089)。结论:BP神经网络模型能较好地运用于住院费用影响因素分析,医院可据此合理控费,提高精细化管理水平,具有较强的现实意义和参考价值。

基于BP和RBF神经网络模型的江西省农产品冷链物流需求预测

根据BP(back propagation)神经网络和(radial basis function)神经网络模型在需求预测领域上的应用,以江西省生鲜农产品冷链物流需求为对象进行实证分析,依据经济水平、产业结构水平、物流行业因素、市场供需水平等四个方面建立影响因素指标体系,并用SPSS和MATLAB建立模型,结果表明BP神经网络相比于RBF神经网络,在预测结果上有更高的精确度。

基于双隐含层BP神经网络的某金矿回收率预测研究

为掌握某金矿选矿工艺影响因素对金实际回收率的作用规律并预测金的回收率,采用正交试验方法开展了金矿浮选试验,通过Pearson系数分析金回收率对不同工艺因素的敏感性,并利用双隐含层BP神经网络对金回收率进行预测。结果表明:生产过程中金回收率对不同因素的敏感性由大到小依次为2#油用量、Na2S用量、丁基黄药用量、CuSO_(4)用量和磨矿细度。在此基础上,选用2#油用量、Na_(2)S用量和丁基黄药用量3个主要影响因素,使用不同隐含层激活函数的BP神经网络对金回收率进行预测。预测结果表明:当使用“logsig”作为激活函数时,其拟合度与精度较高,拟合优度R2为0.9792,相对平均误差仅为0.666%,说明该模型能够较好地预测金回收率。研究结果对贵金属矿山生产中金属回收率的预测有一定的参考意义。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于改进LSTM神经网络的电动汽车充电负荷预测

当前对电动汽车(EV)充电负荷预测的研究缺少真实的数据支撑,并且模型考虑场景过于简单,影响因素考虑不到位,预测结果缺乏说服力。基于此,提出一种考虑多种电动汽车充电负荷影响因素的电动汽车充电负荷预测方法。首先,考虑天气、季节、温度、工作日、节假日等因素对电动汽车充电负荷的影响,采用三标度层次分析法分析各影响因素权重;其次,建立LSTM神经网络预测模型,通过真实数据训练得到用于预测的LSTM神经网络模型,结合影响因素权重分析结果对预测模型进行修正,得到最终的改进LSTM神经网络负荷预测模型;最后,采用常州某小区的真实数据对所提预测方法进行试验验证。结果表明,所提方法可以实现电动汽车充电负荷的精确预测,且负荷预测结果可为有序充电策略研究提供参考。

辉钼矿回收率对水体磁化改性因素敏感性的BP神经网络研究

为优化磁化水体系中辉钼矿回收指标,以正交实验的方法进行了辉钼矿单矿物浮选试验,并利用BP神经网络对辉钼矿回收率与水体磁化改性影响因素的敏感性关系进行分析。结果表明:浮选过程中辉钼矿回收率对不同磁化因素的敏感性由大到小依次为:电流频率、退磁时间、磁化时间、电流频率与磁化时间交互影响和电流频率与退磁时间交互影响。研究利用电流频率等三个主要影响因素,通过BP神经网络作为模型对辉钼矿的回收率进行预测,其拟合度与精度较好,拟合优度R^(2)为0.9704,相对平均误差仅为1.27%,该模型能较好地用于辉钼矿回收率的预测。研究对利用磁化水改善金属硫化矿浮选效果的工业应用有一定的参考意义。

江苏省高校科研绩效评价及影响因素分析——基于AHP和GA-BP神经网络分析法

高校是国家创新体系的重要组成部分,随着创新型国家建设的不断深入,科学评估高校科研绩效并积极探索其影响因素,对加快建设创新型国家具有重要意义。文章基于“投入-产出”理论构建了高校绩效评价指标体系,采用AHP和GA-BP神经网络分析法对江苏省4种不同类型高校科研绩效及其影响因素进行分析。结果显示:样本高校综合科研绩效整体呈上升趋势,其中产业发展产出绩效增幅较为显著;各类型高校间科研绩效呈明显阶梯状特征且两极分化严重;不同类型高校科研绩效的决定性影响因素不同。基于此,文章从深化科研评价和坚持错位发展战略两个层面提出对策建议。

基于多变量自优化动态神经网络的“阶跃型”滑坡变形预测

传统累计变形预测方法在曲线结构分解和表征模型选择上具有多样性,由此引起了工作量大、预测精度低以及预测方法适用对象较局限等问题,为此考虑降雨量、库水位、库水位变化对滑坡累计变形的影响,基于非线性自回归模型建立了多变量自优化动态神经网络,并将其应用在三峡库区典型的“阶跃型”滑坡——白家包滑坡累计位移预测中。通过对滑坡变形累计曲线时间序列的分析,采用神经网络方法对全曲线模型进行求解,形成了非线性自回归神经网络模型,利用多种群遗传算法对神经网络的参数和结构进行优化训练,并将适应度函数均方误差作为预测模型误差偏离标准。结果表明:所提出的自优化动态神经网络对滑坡多个测点的累计位移拟合精度高,误差可控制在1%左右,预测过程减少了主观因素引起的误差,考虑了滑坡发展过程的动态性,可为“阶跃型”滑坡累计位移的实时预测提供参考。

BP神经网络预测在粮食种植面积影响因素分析中的应用——以黑龙江省为例

影响粮食种植面积的因素有很多,除粮食最低收购价政策外,还有诸如农业劳动力人口、粮食进出口贸易等其他因素。该文结合2005年前最低收购价政策未执行时的粮食种植面积,基于BP神经网络预测模型,得到2005年后假设未实施粮食最低收购价政策情况下的粮食种植面积,并分析最低收购价政策对城乡收入差距和进出口贸易等其他因素的影响,同时剔除这些干扰,得到只有政策影响时粮食种植面积的变化。然后建立评价模型,把BP神经网络预测的粮食种植面积变化差值和其他因素干扰量纳入执行效果评价系统。最后,对黑龙江省小麦水稻的实例进行评价分析,验证模型的合理性。

基于人工神经网络的光伏系统功率预测

随着人类文明的进步,地球上传统的化石燃料也正在慢慢地消耗殆尽,人们不得不去寻求新的能源。太阳能光伏发电以其绿色、环保、无污染、可再生等优点而迅速得到各国的重视。通过对光伏发电系统输出功率的影响因素进行分析可知,辐射照度、温度、环境相对湿度和风速这四个因素对其输出功率影响较大。本文从BP神经网络得到四种不同的神经网络功率预测数据模型,并分析了这四个因素对光伏发电系统输出功率的影响程度。

基于卷积神经网络的交通运输业碳排放预测研究

交通运输业作为碳排放主要来源之一,其低碳发展对于我国双碳目标的实现具有重要现实意义。研究基于拓展的STIRPAT模型,从人口规模、经济水平、技术水平、交通运输水平以及绿化水平5个维度选取交通运输业碳排放影响因素,根据1997—2019年碳排放量及影响因素数据建立卷积神经网络碳排放预测模型。在此基础上,设置低碳、基准和高碳3种不同情景对京津沪渝的交通运输业碳排放情况进行预测分析。结果表明:在基准情景和低碳情景下,京津沪渝均表现出明显的“波动上升—达峰—缓慢下降”的趋势;而在高碳情景下,京津沪渝则表现出明显持续增长趋势,同时低碳情景下京津沪渝交通运输业碳达峰时间多早于2030年,且峰值明显低于基准情景和高碳情景的碳排放量值,更加符合交通运输业的低碳发展理念。

新加坡股票收益率影响因素研究——基于RBF神经网络

新加坡股市是亚洲特别是东南亚地区一个比较发达的股票市场,作为国际金融中心,新加坡股市代表性强并且与中国在地缘、文化方面接近,在新加坡股市中亦有不少中国优质企业。使用改进后的人工神经网络对新加坡股票收益率的影响因素进行分析。以2009-2014年间新加坡股市的周数据为样本,利用RBF神经网络为工具,分析β系数、公司规模、成交量、年收益价格比等四个因素与股票收益率之间的关系。研究表明,中国与新加坡两个股票市场收益率影响因素差异巨大,β系数是影响新加坡股票收益率的第一大因素,其次是交易量,公司规模和年收益价格比的影响能力很小。

基于BP神经网络算法构建糖尿病早期肾病风险预测模型

目的探讨糖尿病早期肾病的相关危险因素,并基于BP神经网络算法构建其风险预测模型。方法回顾性分析永康某中医院2020年1月至2022年12月收治的1048例糖尿病患者,其中糖尿病肾病患者115例,占10.97%,并以此分为DKD组(糖尿病肾病组115例)和DM组(糖尿病组933例)。收集患者相关资料,采用倾向性评分匹配(PSM)排除混杂因素后按1∶1最邻近方法进行匹配。以单因素分析中具有统计学意义的指标,运用BP神经网络算法基于相关因素构建预测模型。以平均绝对值误差(MAE)进行模型效能分析,以受试者工作特征曲线(ROC)评估风险预测模型的预测价值,并进行外部验证,采用校准曲线评估模型一致性。结果混杂因素有性别、合并高血压、空腹血糖、尿酸,将建模集按1∶1比例以最邻近方法进行PSM排除混杂因素后,DKD组95例,DM组95例。单因素分析结果提示患者年龄、2型糖尿病、总胆固醇(TC)、尿蛋白排泄率、糖尿病病程、胱抑素C(Cys C)组间差异具有统计学意义(P<0.05)。预测精度从大到小依次为BP神经网络算法、决策树、支持向量机、逻辑回归。BP神经网络结果显示影响糖尿病早期肾病发生重要性的前4位因素依次为蛋白尿排泄率、年龄、糖尿病病程、Cys C。预测模型AUC为0.959(95%CI:0.917~1.000),约登指数0.867,对应的敏感度与特异性分别为0.867、1.000。外部验证AUC为0.958(95%CI:0.922~0.995),其敏感度与特异性分别为0.804、1.000,校准图中校准曲线贴近于标准曲线。结论基于机器学习法构建的以年龄、病程、尿蛋白排泄率、TC、Cys C、2型糖尿病为预测特征的BP神经网络算法模型对糖尿病早期肾病有较好的预测价值,可以把该模型临床应用于此类高风险人群的管理识别。

基于神经网络模型的髋关节置换术后病人再入院风险研究

目的:基于神经网络模型筛选髋关节置换术后病人再入院的影响因素,并分析模型的预测效能。方法:回顾性分析2020年5月—2022年12月在温州某三级甲等医院接受髋关节置换术的440例病人的资料,根据病人出院后再入院情况分为再入院组和未再入院组,建立神经网络模型,使用受试者工作特征(ROC)曲线下面积(AUC)评价模型的预测效果。结果:髋关节置换术后病人再入院率为19.55%。神经网络模型显示,髋关节置换术病人再入院居前5位的危险因素为糖尿病(100.0%)、手术时长(89.4%)、住院时长(79.9%)、性别(71.2%)、术后并发深静脉血栓(69.0%),模型预测准确率为81.5%,AUC为0.728[95%CI(0.669,0.786)]。结论:经神经网络模型筛选,糖尿病、手术时长、住院时长、性别及术后并发深静脉血栓为髋关节置换术病人再入院的危险因素,模型预测效能较好。临床医护人员可结合神经网络模型分析结果,早期筛选髋关节置换术病人再入院的高危病人,开展早期预防,改善围术期护理,强化出院后监测,降低再入院率。

基于残差卷积神经网络的网络安全态势感知方法

由于影响网络安全态势的因素具有多元化的特征,网络安全态势的观察值与预测值也是不断变化的。这种波动导致传统的神经网络在对其进行感知时,对应的收敛误差难以控制。提出基于残差卷积神经网络的网络安全态势感知方法研究。分别从网络自身和攻击状态两个角度,对网络安全态势影响因素进行量化分析;再利用卷积核的权重系数对输入神经网络的整体状态参数进行加权平均,提取各网络安全态势影响因素状态。引入残差损失参数对残差卷积神经网络的池化结果进行约束,输出最终的网络安全态势值。在测试结果中:收敛误差值面对不同类型的网络流量和攻击手段表现出了较高的稳定性,且始终处于较低水平,收敛误差最大值仅为0.0345。

基于RBF神经网络箱涵顶进施工质量影响因素分析

随着我国高速公路建设的发展,高速公路与既有铁路线不可避免出现交叉,箱涵顶进施工方法被广泛运用于穿越工程。由于穿越工程施工质量要求高,且施工环境复杂和室外天气恶劣,一旦施工过程中出现质量问题将会给整个工程造成重大的损失。据此提出基于RBF神经网络对影响顶进施工质量的因素进行分析,为此类工程的质量影响因素分析提供了一种科学的方法。