多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

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。

基于非线性自回归神经网络模型对生活垃圾产生量的预测

旨在建立生活垃圾产生量预测模型,更好的预测生活垃圾产生量,以便有序筹划生活垃圾处置设施和构建灵活的收运调配体系。方法采用非线性自回归神经网络(NAR),通过调整延迟阶数和隐含层神经元个数等模型参数,建立基于生活垃圾产生量的历史时间序列预测模型。实验结果显示,NAR神经网络时间序列模型对于北京市生活垃圾产生量有较好的预测能力,当延迟阶数为5,隐含神经元个数为10时,预测模型测试集的r值为0.9717,平均绝对百分比误差为3.385%,均方根误差为5051.831 t/w,预测模型通过了残差序列非自相关检验,预测效果较好。结论表明针对生活垃圾产生量数据可以开展NAR神经网络模型非线性自回归预测,且可不用考虑其它相关影响因素数据的可获得性,具有一定的便利和实际应用意义。

基于Logistic回归和神经网络的甘肃省道路结冰预警模型研究

为更好地开展公路交通道路结冰预报预警服务工作,利用甘肃省道路结冰高发区路段(甘肃武威以东)的交通气象站逐小时观测资料,分析道路结冰空间分布特征,探讨道路结冰与气象要素的相关性,采用Logistic回归法和神经网络算法构建道路结冰预警模型。结果表明:甘肃省道路结冰主要集中在冬季(12月至次年2月),其中00:00—10:00和22:00—23:00(北京时)出现道路结冰的频率较高。Logistic回归模型和神经网络模型对未发生结冰事件的预测准确率较高,分别为91.9%和96.2%;针对发生结冰事件,Logistic回归模型的预测准确率较低,为31.6%,而神经网络模型的预测准确率可达44.6%,说明2种模型对道路结冰预警有一定指示意义,神经网络模型预测效果优于Logistic回归模型。

基于自回归小波神经网络的机械臂自适应滑模控制

针对机械臂存在模型不确定和未知扰动的问题,提出一种动力学模型参数分块逼近的神经网络非奇异终端滑模(nonsingular terminal sliding mode, NTSM)控制方法.为加快系统跟踪误差的收敛速度,避免传统终端滑模存在的奇异性问题,采用一种非奇异终端滑模面.利用多组自回归小波神经网络(self-recurrent wavelet neural network, SRWNN)分块逼近系统未知的动力学模型参数,并采用自适应更新律调整权重.通过积分控制项补偿SRWNN的逼近误差,并使用Lyapunov稳定性理论证明了系统稳定性.使用MATLAB进行仿真分析,分块SRWNN滑模控制与滑模控制、整体SRWNN滑模控制相比,关节角度跟踪误差的平均稳态误差分别降低了31.9%、76.5%,表明此方法是一种可靠、有效的轨迹跟踪控制方法.

基于神经网络预测的长江引航量周期变化模型

为研究引航量周期变化的问题,提出通过神经网络预测的方法,对长江引航量长周期和短周期变化进行研究。在长江引航量动态分析的基础上,借助BP(Back Propagation)神经网络经验公式和反复训练的方法,构建长江引航量的长周期和短周期变化模型,通过回归拟合度数值比较,验证BP神经网络预测的准确性。从长江引航量变化规律的研究发现,长江引航量长周期变化规律和波罗的海干散货指数(IBD)关联性强,短周期变化规律受国内市场和长江航运等多变量影响。引航量的预测研究为引航机构的发展规划和资源布局提供合理的数据、决策支持,使港口能够高速、安全的发展;周期变化的规律将应用于疫情防控下航运影响分析,为精准疫情防控和引航标准与规范服务提供科学参考。

基于MLP神经网络的中国南方地区多因子PWV预测模型

针对利用全球导航卫星系统(global navigation satellite system,GNSS)反演高精度大气可降水量(precipitable water vapor,PWV)时需要获取大气加权平均温度(Tm)从而影响结果精度的问题,在充分探究PWV与对流层天顶湿延迟(zenith wet delay,ZWD)等诸多因子相关性的基础上,利用中国南方地区40个探空站在2015—2017年的探空数据,基于多层感知器(multi layer perceptron,MLP)神经网络及多元回归拟合算法分别建立预测PWV的MLP模型、线性回归(linear regression,LR)模型与非线性回归(non-linear regression,NLR)模型。为充分探究2种建模方法对PWV精度的影响,利用2018年探空数据为参考值进行模型精度检验,并与传统PWV预测模型(PWV-SC2模型)进行精度对比分析。结果表明:MLP模型的年均均方根误差(RMSE)、偏差(bias)和相对误差(RE)分别为0.66 mm、0.06 mm和2.18%,相比LR模型和NLR模型年均RMSE分别降低了0.11 mm(14.6%)和0.17 mm(20.5%),年均bias分别降低了0.04 mm(43.7%)和0.28 mm(82.3%),年均RE分别降低了50.7%和57.3%;相比PWV-SC2模型,年均RMSE和bias分别降低了0.17 mm(20.5%)和0.15 mm(71.4%),年均RE降低了47.7%。因此,MLP模型在中国南方地区有较好的精度及适应性,可应用于中国南方地区高精度PWV预测。

基于多模态神经网络的新型冠状病毒感染患者继发医院感染的预测模型分析

目的:基于多模态神经网络,构建新型冠状病毒感染(COVID-19)患者继发医院感染的预测模型,为临床患者继发医院感染的防治提供参考。方法:选取2022年8月1日—2023年1月20日镇江市第三人民医院收治的2519例COVID-19患者作为研究对象,收集患者的年龄、既往病史、住院时间、抗菌药物使用、行机械通气等信息,采用多模态神经网络预测模型分析患者继发医院感染的影响因素,并与传统的多因素Logistic回归分析模型进行比较。结果:2519例COVID-19患者中发生医院感染的有312例,感染发生率为12.39%;Logistic回归分析结果显示,COVID-19患者继发医院感染与年龄、是否有高血压病史和呼吸系统疾病史、是否有经验性使用抗菌药物和免疫抑制剂、是否行机械通气具有相关性(P<0.05),其中年龄>65岁、有高血压病史、有呼吸系统疾病史、住院时间>7 d、经验性使用抗菌药物、行机械通气是患者继发医院感染的独立危险因素(P<0.05);多模态神经网络预测结果显示,住院时间、呼吸系统疾病史、年龄、经验性使用抗菌药物和机械通气是患者继发医院感染的5个最大的危险因素,其训练样本、检验样本和坚持样本的准确度分别为87.49%、86.31%和90.28%;多模态神经网络预测模型和多因素Logistic回归分析模型的接受者操作特征曲线的曲线下面积分别为0.879和0.852,并且Delong检验结果显示二者之间存在统计学差异(P<0.05)。结论:多模态神经网络预测模型和多因素Logistic回归分析模型均可以较好地预测COVID-19患者继发医院感染的相关风险,但多模态神经网络预测模型的预测结果更好。

基于广义回归神经网络的煤矿带式输送机模型预测控制

针对煤矿井下运输系统能耗大、生产成本高等问题,提出基于广义回归神经网络(GRNN)的带式输送机模型预测控制(MPC)策略。引入动态自适应权重和莱维飞行策略改进天牛须算法(BAS),并采用改进的天牛须算法对广义回归神经网络进行超参数寻优。建立了带式运输机模型,采用模型预测控制策略对带式输送机的运行进行优化与控制;优化过程采用了基于分时电价的控制策略。实验结果表明:与带式输送机传统的运行方式相比,所提出的控制策略不仅可以减少能源消耗,而且可以有效降低运行成本。

基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型

本研究基于2002—2020年河北省魏县鸭梨盛花期观测资料和气象数据,采用线性趋势法揭示其盛花期变化趋势,并通过相关性分析筛选出显著影响盛花期的气象因子,然后分别用BP神经网络、多元线性逐步回归方法建立盛花期预测模型,以决定系数、均方根误差、预测准确/误差率为评判指标对模型预测精度进行评价。结果表明,2002—2020年魏县鸭梨盛花期呈现提前趋势,每10年平均提前2.4天。有13个气象因子与盛花期极显著相关(P<0.010),相关系数在-0.575~-0.852。两种预测模型均可在3月上旬对盛花期进行预报,基于最早盛花期可提前13天预报,基于最晚盛花期可提前29天预报。多元线性逐步回归模型的R^(2)为0.905,RMSE为1.45,R_(d1)为94.7%,R_(d2)为5.3%;BP神经网络的R^(2)为0.950,RMSE为1.05,R_(d1)为100%,R_(d2)为0;用2021和2022年的数据对两个模型的预测效果进行验证,除多元线性逐步回归模型预测的2021年盛花期日序数与实际日序数差2天外,两模型对两年盛花期的预测值与实测值一致。综合来看,BP神经网络模型的预测效果更好,准确率更高,可用于鸭梨盛花期预测,这为制定河北魏县鸭梨花期管理措施及梨花节活动方案奠定了基础。

基于Logistic回归和人工神经网络构建老年脑卒中患者衰弱预测模型

目的 基于Logistic回归和人工神经网络构建老年脑卒中患者衰弱的风险预测模型,并评价模型预测效能,为早期识别并预防老年脑卒中患者衰弱的发生提供依据。方法 2021年3月至2022年5月,采用便利抽样方法选取锦州市某医院就诊的老年脑卒中患者532名为研究对象。通过问卷调查收集资料,筛选患者发生衰弱的独立影响因素,用R软件绘制多因素Logistic回归模型的列线图,借助神经网络中的多层感知器构建神经网络预测模型,采用受试者工作特征曲线(receiver operating characteristic curve, ROC)评价模型预测效能。结果 老年脑卒中患者在年龄、独居、吸烟、体育锻炼、高血压、糖尿病、首发脑卒中、睡眠障碍、跌倒史、工具性日常生活能力上的差异均有统计学意义(均P<0.05)。年龄≥80岁、睡眠障碍、工具性日常生活能力受损、跌倒史、独居为老年脑卒中患者发生衰弱的独立风险因素,体育锻炼为保护因素;建模组列线图和神经网络预测模型ROC曲线下面积(area under curve, AUC)分别为0.908、0.904。结论 构建的老年脑卒中患者衰弱风险预测模型预测效能较好,有利于医护人员早期发现发生衰弱的高风险人群。

基于BP神经网络的耗占比预测研究

目的运用反向传播(Backward Propagation,BP)神经网络建立合适的耗占比预测模型,帮助医院管理部门评估各科室耗材使用是否合理。方法选取安徽医科大学第一附属医院2021年1月至2023年5月的运营数据构建数据集,通过训练集训练网络模型,通过验证集及测试集评价模型性能。结果建立BP神经网络模型并对耗占比进行预测,模型在验证集上的解释方差为0.998604,平均绝对误差为0.006219;在测试集上评价指标略有下降,解释方差为0.962396,平均绝对误差为0.027858,各评价指标仍优于其他模型。结论基于BP神经网络的耗占比预测模型可实现科室、总收入、药占比、出入院人次等指标的非线性关系描述,可对耗占比进行准确预测,为医院对各科室耗材的考核评估提供了量化的数据支撑。

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在的设备故障,结合大数据分析技术和设备评估技术,提出了一种基于时间序列和神经网络的状态数据异常检测方法。通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,计算状态变量在时间轴上的转移概率,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。结果表明,该方法可以快速、有效地检测电力设备异常状态。

上市公司财务危机预警模型的交叉检验比较——逻辑回归与类神经网络模型

近年来受外部经济因素影响,部分企业不同程度发生了债务危机、现金流危机、市场危机,给企业正常运营带来了冲击。大部分危机在企业财务数据中是能够体现的,所以财务危机预警在企业财务管理中越来越重要。为建立有效的企业财务危机预警模型,本文采用过去相关研究文献常用的财务比率指标建模,然后采用逻辑回归和类神经网络模型两种不同的研究方法,来比较两者的判别和预测的正确率,为企业财务危机预警提供一种思路。

基于广义回归神经网络的用水量预测模型及其应用

用水预测对落实最严格水资源管理制度、实现节水型社会建设具有重要意义。文章建立基于非线性优化光滑因子的广义回归神经网络模型,用来刻画人口、GDP、工业增加值、有效灌溉面积和实际灌溉面积与用水量之间的非线性映射关系。用水量预测实验表明:2016—2021年庆阳市用水量的预测值和实际值吻合较好,2016年用水量的预测值和实际值偏差最大,2019年和2021年用水量的预测值和实际值完全吻合,均方误差只有0.4,相对误差只有0.15;2016—2021年平凉市用水量的预测值和实际值之间的偏差不大,比较稳定,均方误差只有0.3,相对误差只有0.13,预测准确率达到87%。

卷积神经网络的神华关键配件状态自动跟踪研究

为避免关键配件异常状态带来的神华铁路货车运行安全隐患,提出基于卷积神经网络的神华关键配件状态自动跟踪方法。神华关键配件状态图像作为卷积神经网络的输入数据,经过卷积和池化操作后获得神华关键配件状态检测结果,并将其作为图像第一帧的状态,然后利用核相关滤波训练获得的回归模型估计图像下一帧的状态,实现神华关键配件状态自动跟踪。实验结果表明:该方法能够获得较为完整、清晰的神华关键配件状态图像;不同神华关键配件状态检测的MCC值均在0.8以上,且能够在异常状态发生之前得到状态检测结果;各时刻的神华关键配件状态跟踪结果与实际结果完全相同。

企业资本结构及其影响因素的关系研究——多元线性回归模型与神经网络模型的比较与应用

将神经网络模型引入企业资本结构及其影响因素的关系研究领域,并使之与传统的多元线性回归模型相比较,选取1051家中国上市公司2002年的横截面数据,以资产负债率为资本结构的表征变量,以规模、盈利性、成长性、非债务税盾、资产结构、资产流动性、产品独特性、产生内部资源能力等公司特征为自变量,对上市公司资本结构及其影响因素进行实证研究,并对两模型实证结果进行检验与分析,得出神经网络模型的SSE较小、预测能力较强的结论。

基于偏最小二乘回归与神经网络耦合的岩溶泉预报模型

本文将偏最小二乘回归与神经网络耦合,建立了泉流量预报模型。利用偏最小二乘法对影响岩溶泉流量的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量之间的多重相关性问题,降低了神经网络的输入维数。同时,利用神经网络建模可以较好地解决非线性问题。实例表明,本耦合模型的拟合和预报精度均优于独立使用偏最小二乘回归或神经网络建模的精度。

回归分析的人工神经网络算法模型研究

人工神经网络或神经计算机计算是近十几年来发展极为迅速的一门边缘学科。它在信号处理、模式识别、智能控制等领域中越来越多的成功应用是令人鼓舞的，即使是最初持观望态度的人也不得不逐渐放弃对它的怀疑。神经网络对众多学科的包容性、应用范围的广泛性以及理论分析方...

基于卷积神经网络与滤波融合算法的某惯导系统剩余寿命预测模型建立

在对产品中具备大量运行观测性能数据的关键系统部件进行剩余寿命预测的过程中,因寿命数据稀少难以建立寿命分布模型。而对产品性能观测数据进行退化建模,传统退化过程分析模型对于产品性能观测数据适应性差导致产品寿命预测精度低、有效性弱的问题,充分挖掘部件退化数据信息,依据相关退化分析技术,基于统计模型中的滤波预测方法与机器学习技术中的回归卷积神经网络(regressive convolutional neural networks,RCNN)预测方法建立产品剩余寿命预测融合模型。融合模型结合了滤波预测模型对产品退化状态的挖掘能力、不确定表达能力与RCNN网络模型良好的数据适应性、预测的准确性,提高了产品退化数据分析的准确性及有效性,可对产品关键部件的寿命进行有效预测,为产品中具备大量运行观测数据的关键系统部件健康管理提供辅助参考。