基于人工神经网络模型的碳排放预测研究进展

碳排放是一个受多因素交互作用的动态过程,准确预测碳排放量有利于碳减排措施的制定。由于碳排放本身模型具有动态变化性、非线性、社会性等特点,传统预测方法不能满足实际情况的需要。人工神经网络模型能够较好地描述碳排放时间系列数据的非线性特性,被广泛应用于预测国家、区域、行业等层面的碳排放量变化。其中,误差反向传播(Back Propagation,BP)神经网络模型和长短期记忆(Long Short-Term Memory,LSTM)神经网络模型备受关注。在模型预测过程中,通过识别目标模型的碳排放影响因素类型、提高输入层数据的准确性、构建适宜的线性—非线性耦合的组合模型等途径,进一步提高模型预测的准确性。研究结果对人工神经网络模型在碳排放预测中的应用情况进行梳理,为碳排放预测技术的进一步发展提供参考。

基于人工神经网络智能算法的9310钢本构模型优化

目的研究9310钢在变形温度为800~1200℃、应变速率为0.01~50s-1和高度压下量为70%条件下的热变形行为,建立预测效果相对较好的9310钢本构模型。方法使用Gleeble-3800热模拟机对9310钢进行等温恒应变速率热压缩实验,基于热压缩实验数据,分析了应变速率对9310钢流动软化效应的影响,建立了考虑应变补偿的Arrhenius本构模型与支持向量回归(SVR)本构模型,并进行了模型精度分析,之后引入人工神经网络(ANN)智能算法优化了Arrhenius本构模型。结果与变形温度相比,应变速率对9310钢流动软化效应的影响更为显著。相较于支持向量回归(SVR)本构模型,考虑应变补偿的Arrhenius本构模型精度更高,其相关系数R为0.9934,平均相对误差(AARE)和均方误差(MSE)分别为0.0556和89.362,它在预测高应变速率(1、10、50 s-1)流动应力时出现了较大偏差,经ANN智能算法优化后,相关系数R提高至0.9991,AARE和MSE分别降至0.0199和9.998,且绝对误差在±10MPa以内的预测流动应力占比为98.34%。结论在低应变速率(0.01 s-1)下软化效应更强,在高应变速率(10 s-1)下再结晶程度较低,软化效应较弱。ANN智能算法优化后的Arrhenius本构模型具有较高的精度,能较准确地预测9310钢的流动行为。

基于随机森林和人工神经网络构建种植体周炎的诊断模型

目的 本研究旨在揭示种植体周炎发生发展过程中参与调控的关键基因,并通过随机森林(RF)和人工神经网络(ANN)构建种植体周炎的诊断模型。方法本研究从GEO数据库中获取GSE33774、GSE106090和GSE57631数据集。对GSE33774和GSE106090数据集进行差异表达和功能富集分析,通过蛋白质互作网络(PPI)和RF筛选出关键基因,利用ANN建立种植体周炎的诊断模型,并在GSE33774和GSE57631数据集中进行验证。同时,构建转录因子-基因相互作用网络和转录因子-微小RNA (miRNA)调控网络。结果 本研究共筛选出124个参与调控种植体周炎的差异表达基因(DEGs)。富集分析结果表明,DEGs主要和免疫受体活性蛋白及细胞因子受体活性相关,主要参与白细胞和中性粒细胞迁移的过程。PPI和RF筛选出6个关键基因,分别为CD38、CYBB、FCGR2A、SELL、TLR4和CXCL8。受试者操作特征曲线(ROC)表明ANN模型具有较好的诊断性。本研究还发现FOXC1、GATA2和NF-κB1可能是种植体周炎中重要的转录因子,hsa-miR-204可能是关键的miRNA。结论 RF和ANN构建的种植体周炎的诊断模型可信度高,CD38、CYBB、FCGR2A、SELL、TLR4和CXCL8是潜在的诊断标志物。FOXC1、GATA2和NF-κB1可能是种植体周炎中重要的转录因子,hsa-miR-204作为关键的miRNA在其中扮演着重要角色。

基于遗传算法优化的含氢Ti65合金人工神经网络本构模型的构建

本研究对不同氢含量(未置氢、0.13 wt.%、0.25 wt.%、0.34 wt.%和0.43 wt.%氢)的Ti65合金试样在其α+β两相区和β单相区、0.001 s^(-1)应变速率范围内进行等温压缩,研究了含氢Ti65合金的高温流变行为,建立了综合考虑氢含量、变形温度、应变、应变速率的含氢Ti65合金GA-BP神经网络本构模型,并将所建模型通过二次开发集成入有限元软件中,对含氢Ti65合金等温热压缩过程进行模拟。结果表明:4-12-12-1结构的GA-BP神经网络本构模型的相关系数和平均绝对误差分别为0.9982和0.46%,模型具有较高的预测精度和泛化能力,能够用于局部置氢Ti65合金热塑成形过程的分析。

基于人工神经网络骨关节炎诊断模型的建立与分析

背景:生物信息学领域的快速发展为骨关节炎的诊断提供了新的方法。人工神经网络具有强大的数据计算能力和分类能力,研究表明其在诊断疾病方面表现出了较好的性能。目的:旨在使用人工神经网络建立一种新的骨关节炎诊断预测模型,并通过外部数据集验证其在骨关节炎中的诊断价值。方法:通过GEO数据库搜索下载符合要求的骨关节炎相关数据集,将其分为Train组与Test组。对Train组的基因表达矩阵进行差异分析,筛选差异表达基因。对差异基因进行GO、KEGG富集分析;通过Lasso回归模型、支持向量机模型、随机森林树模型从差异基因中进一步鉴定骨关节炎关键基因。随后使用R软件“neuralnet”包构建基于人工神经网络的骨关节炎诊断模型,5折交叉验证评估模型表现;使用Test组中2个独立的数据集来验证其诊断效果。结果与结论:通过差异分析共得到90个与骨关节炎相关的差异基因,其中33个下调,57个上调。GO富集分析显示其生物过程主要参与白细胞介导的免疫、骨髓白细胞迁移、趋化因子产生等过程;KEGG富集显示差异基因主要富集在类风湿关节炎、白细胞介素17信号通路、破骨细胞分化等通路。通过3种机器学习方法筛选并取交集后共得到5个诊断骨关节炎的关键基因,分别为HMGB2、GADD45A、SLC19A2、TPPP3、FOLR2。Train组中5个关键基因建立的人工神经网络模型显示其准确率为96.36%,曲线下面积(AUC)为0.997,对神经网络模型的5折交叉验证表明其平均AUC>0.9,具有一定的稳健性;Test组中2个独立的数据集结果显示其AUC分别为0.814和0.788。提示:建立的人工神经网络骨关节炎诊断模型具有一定的诊断价值。

基于人工神经网络的沿海地区底泥盐度计算模型

底泥盐度与海洋科学、河口研究、环境管理等密切相关,现有的底泥盐度计算公式存在精度不足、适用性有限等问题。为此,开展了271组室内试验和10组户外试验,整合了其他学者的研究数据,以底泥电导率、泥沙浓度、温度和细颗粒表面系数为模型输入变量,分别建立了用于计算沿海地区底泥盐度的反向传播人工神经网络(BP-ANN)模型、粒子群优化的反向传播人工神经网络(PSO-BP-ANN)模型、结合遗传算法的反向传播人工神经网络(GA-BP-ANN)模型。与现有的底泥盐度计算公式相比,新建模型的精度更高,可为沿海地区底泥盐度的确定提供更多可供选择的预测方法。

基于人工神经网络的结构代理模型性能分析

在实际结构施工过程中,由于复杂结构的高次超静定以及强非线性等特点,使得应用于施工过程即时决策的计算模型非常复杂。针对在施工过程中特定的结构响应无法直接获得显式关系以及应用于即时决策时的有限元模型计算缓慢的问题,通过使用代理模型对结构响应进行替代,能够很大程度上提升计算效率。本文通过对现阶段应用最为广泛的人工神经网络代理模型的构建原理进行论述,并通过一刚架算例对BP神经网络(BPNN)以及广义径向基神经网络(GRNN)的拟合性能进行了对比,旨在为结构代理模型的选用提供参考。

基于人工神经网络的高血压预测模型

为准确预测高血压患者,文章提出了一种基于人工神经网络(artificial neural network,ANN)的高血压预测模型.该模型在原始的ANN模型中引入了批归一化层(batch normalization,BN)和残差连接(residual connection),以改进原始ANN模型所存在的缺陷.实验表明,该模型的收敛速度显著高于原始模型,且可有效加快模型的训练过程.研究结果可为高血压的早期预测和干预提供参考.

基于人工神经网络的透射水体亚硝酸盐含量模拟估计

亚硝酸盐是水体的重要测试指标,对水体质量的评估有着重要意义。采用透射高光谱结合人工神经网络(ANN)建立水体亚硝酸盐含量估算模型。首先采用试剂配制10种浓度的亚硝酸氮标准溶液(0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg/L),并使用OCEAN-HDX-XR微型光纤光谱仪扫描10次各浓度亚硝酸盐溶液在181.1~1023.1 nm的透射光谱,取平均值作为各浓度亚硝酸盐溶液原始透射光谱,分别使用最大最小均一化(MMN)、标准正态变化(SNV)、多元散射校正(MSC)、以及二阶差分(SOD)四种光谱预处理方法,并结合ANN方法建立水体亚硝酸盐含量估算模型,通过比较模型的精度来选择最优的模型进行水体亚硝酸盐含量的估计。结果显示,基于二阶差分预处理下的BP-ANN神经网络预测模型中的均方根误差RMSE为0.032367,平均绝对误差MAE为0.016895,决定系数R^(2)为0.987403,与二次有理高斯过程回归(QR-GPR)和二次支持向量机(Q-SVM)预测模型相比,该模型的拟合效果更好,精确度更高。提出了反向传播人工神经网络(BP-ANN)高光谱水质亚硝酸盐参数的反演方法,为水质亚硝酸盐参数动态检测提供了新方法。

基于人工神经网络的自然语言处理技术研究

文章探讨了基于人工神经网络的自然语言处理技术,首先,阐述了人工神经网络的定义、结构、工作原理,以及与深度学习的关系。其次,详细研究了基于人工神经网络的自然语言处理技术,包括神经网络模型、词嵌入技术、循环神经网络、长短期记忆网络、转换器模型与自注意力机制等,并分析了这些技术面临的挑战。最后,通过实验设计与结果分析验证了所提出方法的有效性。文章研究内容对于推动自然语言处理技术的发展和应用具有重要意义。

基于Transformer的人工神经网络城轨列车车轮磨耗预测模型构建

针对目前已有地铁列车车轮磨耗预测模型,在大量车辆车轮廓型数据支撑下,分析车轮磨耗规律,如廓形参数及等效锥度等因素与踏面磨耗、轮缘磨耗之间的关系,研究各参数与车轮磨耗之间的相关性。采用数据驱动方式,构建一种基于Transformer的人工神经网络,用于建立车轮磨耗预测模型。试验结果表明,基于数据驱动的车轮磨耗预测网络能够实现车轮磨耗的准确预测,可用于预测车轮使用寿命,减少相关成本,提高经济效益。

辽宁省人口老龄化趋势预测——基于超参数优化的人工神经网络模型

为积极应对人口老龄化,依据辽宁省第七次全国人口普查数据,分析了人口老龄化的发展现状和特征。基于人工神经网络模型对辽宁省2022-2035年未来的65周岁以上人口所占比重发展趋势进行了预测分析,结果表明:选用5层神经网络结构模型,每层神经元数量为23,学习率为0.09462,训练得到的相对误差最小为0.0205。预测到2025年、2030年、2035年辽宁省65周岁及以上老年人口所占比重为21.23%、23.01%、23.77%,呈现稳定增长的趋势,老年人口规模不断增加,老龄化程度持续加深。根据模型的预测结果分析,提出了相应的对策建议:即发展老龄产业为老年人口服务;建立和完善以“社区为依托、养老机构为支撑、家庭为核心”的养老服务体系;开发利用老年人力资源,使之老有所用、老有所为。

反向传播-人工神经网络在辐照黑椒牛肉品质预测中的应用

为探究不同辐照处理对贮藏过程中黑椒牛肉品质变化的影响,建立基于理化指标的多种品质预测模型。3~4 kGy的辐照剂量能够有效延缓黑椒牛肉在贮藏过程中的汁液流失、脂质氧化和蛋白质降解,保持其硬度和微观结构,在一定程度上增加呈鲜味(Asp)和甜味(Gly、Ala、Ser)游离氨基酸的含量。以辐照黑椒牛肉的汁液流失率、硫代巴比妥酸反应产物值、总挥发性盐基氮值、原肌球蛋白条带强度比率、肌球蛋白重链条带强度比率和总游离氨基酸含量为输入变量,优化了反向传播-人工神经网络(backpropagation-artificial neural network,BP-ANN)模型。训练函数为ReLU函数,隐藏层神经元个数为14个,迭代次数100次。结果表明,6-14-6 BP-ANN模型可以较好地预测辐照黑椒牛肉的品质变化,该模型在预测辐照肉制品的多种品质方面具有很大潜力。

基于LSTM人工神经网络的电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确性较低的问题,提出了一种基于LSTM人工神经网络的组合预测模型。分析了LSTM神经网络和其变体GRU神经网络在进行负荷预测时学习时序特征的独特优势,并以卷积神经网络作为负荷数据的特征提取层,结合GRU网络构建了组合模型,通过建立残差预测模型对结果进行修正。仿真结果表明,具有记忆功能的神经网络预测效果要优于ANN和SVM模型,且所提出残差预测模型的负荷预测平均相对误差约为1.79%,其准确性高于单一算法的负荷预测模型。

基于BP人工神经网络的简支梁桥结构振动响应预测

针对有限元模型存在工作量大、计算耗时、无法实现结构响应的快速预测等问题,提出了基于BP神经网络算法的简支梁桥结构应力与位移预测模型。以某简支梁桥为工程背景,通过Midas/Civil有限元软件建立三维杆系有限元模型,并在考虑参数不确定性的基础上使用有限元模型得到完善的训练与测试样本数据集,建立了基于人工神经网络的桥梁结构响应预测模型。研究结果表明,构建的人工神经网络预测模型可在满足预测精度的基础上实现结构响应的快速预测,荷载试验实测值与模型预测值的最大误差在12.46%以内,且拟合优度均在0.9以上。该预测模型后期可与桥梁健康监测系统相结合,实现简支梁桥结构响应的实时分析,可应用于简支梁的结构响应评估工作。

基于互信息及人工神经网络的降雨-径流预报方法

输入变量空间信息的提取、筛选与输入优化是提高数据驱动水文模型性能的关键环节。为提高数据驱动短期径流预报模型效果,以全国第二届水科学数值模拟创新大赛题目为算例,基于互信息及人工神经网络方法构建降雨-径流水文模型,进行小时尺度径流预报,探讨互信息对人工神经网络模型在降雨-径流预报精度提高上的作用。结果表明,基于互信息及人工神经网络的降雨-径流预报模型模拟精度高,适用性较好,验证期纳什效率系数和相关系数分别为0.94、0.96。互信息方法能够实现径流预报模型的输入优化,避免数据冗余,可为空间信息缺乏流域径流预报因子选择提供新思路。

Logistic回归和人工神经网络在鉴别诊断肺癌性胸腔积液中的应用研究

目的应用Logistic回归分析方法和人工神经网络(artificial neural network,ANN)技术,评估血清(serum,S-)和胸腔积液(pleural effusion,P-)中的癌胚抗原(CEA)、铁蛋白(FRT)、神经元特异性稀醇化酶(NSE)、鳞状细胞癌相关抗原(SCC)、糖类抗原50(CA50)、糖类抗原125(CA125)和细胞角蛋白19片段(CY21-1)在鉴别肺癌性胸腔积液(malignant pleural effusion of lung cancer,LC-MPE)与良性胸腔积液(benign pleural effusion,BPE)中的应用价值,建立通过肿瘤标志物诊断LC-MPE的诊断模型。方法对临床初诊的LC-MPE和BPE患者的血清和胸腔积液肿瘤标志物结果进行分析,应用Logistic回归分析和ANN技术分别建立诊断LC-MPE的诊断模型。结果S-NSE、S-CY21-1、P-CEA和P-NSE4项指标被筛选出并用于建模,研究建立的诊断LC-MPE的Logistic回归模型的灵敏度为93.23%,特异度为97.46%,ROC曲线下面积为0.992。建立的ANN模型的灵敏度为95.35%,特异度为97.22%,ROC曲线下面积为0.990(P<0.05)。结论在通过肿瘤标志物诊断LCMPE方面,建立的Logistic回归模型和ANN模型均有较好的诊断性能,上述2个模型均可辅助临床医生提高诊断准确率。

人工神经网络在电力营销系统中的应用与实现

在电力行业信息化发展背景下,收集与存储大量电力数据,可为电力企业营销决策制定提供依据。该文提出采用人工神经网络构建电力营销系统BP神经网络模型,通过智能决策树分类算法预处理模型数据,得到最优化的模型数据,并改进神经网络隐含层节点数目算法,结合应用分时段预测方法及共轭梯度算法分别进行网络训练及网络结构优化,为网络收敛速度加快提供保障,得出相对准确的电力营销年度电量预测结论,说明电力营销系统中人工神经网络具有较高的应用价值。

卵巢癌相关特征基因探索及人工神经网络诊断模型构建

目的:利用人工神经网络(ANN)模型对卵巢癌患者进行早期预测分析,构建卵巢癌预测模型。方法:综合GEO数据库的卵巢癌基因表达芯片数据,以GSE18520、GSE27651和GSE54388数据集作为建模组,GSE40595和GSE66957作为验证数据集。利用R语言的“limma”包进行差异表达分析。对差异基因进行GO功能和KEGG通路富集分析,同时运用STRING网站进行蛋白互作网络分析,以明确其生物学功能和相互作用关系。利用随机森林算法对特征基因进行筛选,建立ANN模型结合ROC曲线评价模型的性能。结果:共提取差异基因75个,其中上调基因22个,下调基因53个。它们与嘌呤核糖核酸分解代谢过程、肌动蛋白细胞投射、磷酸酯水解活性等功能以及嘌呤代谢等信号通路密切相关。在随机森林分析中筛选出共9个特征基因构建ANN模型,建模组和验证组结果均表明ANN模型具有良好的疾病诊断性,两者的AUC分别为0.995和0.811。结论:ANN模型有利于卵巢癌患者的早期检测,为患者治疗提供指导意见。

基于Tiebout模型和改进人工神经网络的云服务定价预测方法

随着云服务市场的不断扩大,制定合理的价格对于云服务提供商和用户越来越重要.对目前现有的定价模型进行研究时,发现较多模型考虑的因素不全面,同时也未注意到各因素与定价之间的关系.在Tiebout模型基础上提出了一种利用布谷鸟算法改进人工神经网络对云服务定价预测的方法(CS-ANN).与BP神经网络、RBF神经网络、ANN人工神经网络预测定价和改进人工神经网络分别进行比较,实验表明基于蒂布特模型和改进的神经网络定价优化模型的预测精度更高.