基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于改进的Adaboost-BP模型在降水中的预测

针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题,提出改进Adaboost算法集成反向传播(BP)神经网络组合分类模型。该模型通过构造多个神经网络弱分类器,赋予弱分类器权值,将其线性组合为强分类器。改进后的Adaboost算法以最优化归一化因子为目标,在提升过程中调整样本权值更新策略,以此达到最小化归一化因子的目的,从而确保增加弱分类器个数的同时降低误差上界估计,通过最终集成的强分类器来提高模型的泛化能力和分类精度。选取江苏境内6个站点的逐日气象资料作为实验数据,建立7个降水等级的预报模型,从对降雨量有影响的众多因素中,选取12个与降水相关性较大的属性作为预报因子。通过多次实验统计,结果表明基于改进的Adaboost-BP组合模型具有较好的性能,尤其对58259站点的适应性较好,总体分类精度达到81%,在7个等级中,对0级降雨的预测精度最好,对其他等级的降雨预测有不同程度的精度提升,理论推导及实验结果证明该种改进可以提高预测精度。

并行Adaboost-BP算法及其在海量图像分类中的应用

为解决基于单节点架构的传统分类算法存在的时间效率差、分类准确率低等问题,提出了一种基于并行Adaboost-BP神经网络的海量图像分类方法.将BP神经网络作为弱分类器,由Adaboost算法组合15个BP神经网络的输出,构建了强分类器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了海量图像的自动分类模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务.多组实验表明,相对于传统的AdaboostBP神经网络算法,提出的算法在Pascal VOC2007数据集和Caltech256数据集上的平均分类准确率分别提高了14.5%和26.0%,而且算法运行耗时少,系统加速比随集群节点个数增加而增加,在图像规模增加到20 000时,加速比几乎呈线性增长趋势.实验结果充分证明,提出的方法适合海量图像的自动分类和预测.

基于并行Adaboost-BP网络的大规模在线学习行为评价

针对传统的在线学习行为评价方法在处理大规模数据集时面临的问题,提出一种基于并行AdaboostBP神经网络的在线学习行为评价方法。将BP神经网络作为弱预测器,由Adaboost算法组合15个BP神经网络的输出,构建了强预测器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了大规模在线学习行为的自动评价模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务。多组实验表明,提出的算法准确率高、运行耗时少,取得了良好的加速比,效率大于0.5,适合大规模在线学习行为的自动评价。

基于ARMA和BP_AdaBoost的组合销售预测模型研究

为了提高销售预测的准确性,建立了组合销售预测模型。历史销售数据是非线性、时变的时间序列,可看成由线性和非线性2部分组成。用ARMA模型预测线性部分,用BP_Ada Boost模型预测非线性部分,然后将2部分预测结果叠加得到销售预测结果。该组合模型克服了单纯采用ARMA模型预测结果精度低的问题,也克服了单纯使用BP神经网络模型容易陷入局部极小值的问题。经实验对比表明,采用组合预测模型能够更加准确、全面地反应销售规律,提高了销售预测的准确性。

基于BP-Adaboost算法的数控机床材料切削能耗预测研究

针对数控机床能耗组成成分复杂,理论分析很难以较高精准度预测能耗的问题,提出了一种基于数据驱动的BP-Adaboost数控机床能耗预测模型。该模型引入Adaboost算法集成强预测器的能力,对BP神经网络进行改进,通过反复调整BP弱预测器权重和样本权重,得到强预测器,从而提高预测精准度。实验结果表明,BP-Adaboost预测模型与独立的BP神经网络预测模型相比能够更精确地对材料切削能耗进行预测,均方根误差和绝对误差均有所降低。由此可见,该预测模型在数控机床材料切削能耗预测方面,具有切实的可行性,为机床加工总能耗预测研究提供一种新的工具支持。

基于Adaboost-BP神经网络模型的姿势识别研究

姿势识别是计算机视觉中的重要研究方向。本文基于BP神经网络模型构建姿势识别模型,并采用Adaboost迭代学习对BP神经网络模型的预测效果进行提升。在双手叉腰、单臂张开、跑步与散步等动作的识别上,比CNN卷积模型具有更好的效果,并且比直接采用BP神经网络模型能够更为精确地识别各类姿势。

基于AdaBoost混合模型的LF炉钢水终点温度软测量

本文针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与智能方法相结合,并采用改进AdaBoost.RT集成BP网络作为智能模型部分校正机理模型中难以准确获得的参数,再用机理模型进行预测。这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷。同时改进的AdaBoost.RT集成BP网络算法可以提高传统单神经网络的预测精度和稳定性。实验结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5℃的炉次大于85%。

基于BP-GamysBoost的乳腺癌诊断模型

针对乳腺癌数据存在的不平衡性问题,对标准的Adaboost算法进行改进,即首先引入BP神经网络,然后融合模拟退火遗传算法(SA-GA)较强的全局寻优能力和较快的收敛速度,最后通过权重的合理分配,提出BP-GamysBoost算法。同时为验证所提出的新算法BP-GamysBoost的合理性,从UCI机器学习知识库中获取WBCD数据库,比较BP-GamysBoost算法模型与BP模型、BP-GA模型、BP-Adaboost模型的稳定性、准确率、漏诊率、灵敏度等性能指标。最终结果表明,BP-GamysBoost模型在乳腺癌数据库中运行良好,并优于其他3种算法模型。

基于自适应增强的BP模型的浙江省茶叶产量预测

本文采用1999—2018年浙江省59个县市的茶叶产量数据和地面气象要素驱动数据,提出了基于产量等级因子的自适应增强的反向传播(BP)神经网络模型的茶叶产量预测机制。首先分析提取了种植面积、年平均气温、3—7月的平均相对湿度、年平均相对湿度等11个影响因子,然后构建浙江省茶叶产量预测模型。试验结果表明,基于产量等级因子的自适应增强的BP模型算法相关系数达到0.893,相对误差的平均值和方差分别为0.187和0.136。在试验数据选取方面,相较于距离预测年份较远的数据,采用临近预测年份的数据,预测精度较高。根据本研究的茶叶产量预测机制,建立了浙江省茶叶产量预测误差空间分布图,其中1级优势区的平均误差为18.32%,2级次优势区为16.73%,3级一般产区为22.69%。预测模型能够实现浙江省各县市的茶叶产量预测,对茶叶生产的宏观管理具有一定指导意义。

混合销售预测模型

为提高产品销售预测的准确性,为企业生产决策提供有力的参考依据,建立BP_Adaboost和计划评审技术PERT混合销售预测模型。将BP神经网络模型与Adaboost算法进行结合,克服单纯使用BP神经网络容易陷入局部极小值的问题;计划评审技术PERT有效利用销售管理人员的经验,在一定程度上实现对销售数据偶然性的预测;将BP_Adaboost和计划评审技术PERT组成混合模型进行销售预测。实验结果表明,该模型提高了销售预测的准确性和有效性。

智能网络下职业健康风险大数据分析方法

针对目前职业健康数据大、技术分析落后的问题,提出了新型的解决方法。该方法构建出包括数据获取层、数据存储层、数据处理层和数据分析层的系统架构,实现了职业健康大数据的采集、存储、计算和数据传递。该研究方法还采用大数据挖掘算法实现职业健康大数据的微观分析,通过AdaBoost算法实现不同健康大数据的关联分析,通过BP神经网络模型实现健康大数据的故障诊断,又采用可视化技术实现数据的集合与映射,提高职业健康大数据的管控,试验表明,该研究的方法数据处理速度快,准确率大于95%。

混杂纤维混凝土冻融后损伤值预测

混杂纤维混凝土受冻融作用后的损伤值受多种因素的影响,现阶段难以建立各影响因素与损伤值之间的数学模型。通过神经网络的自适应、自学习和非线性映射,可以建立以影响因素为输入变量、以损伤值为输出变量之间的非线性关系。采用相关试验数据,基于MATLAB软件建立AdaBoost-BP和BP神经网络预测模型,利用这两种预测模型对混杂纤维混凝土受冻融作用后的损伤值进行了预测,并将各自的预测值和实测值进行了对比分析。结果表明:AdaBoost-BP神经网络的预测精度较BP神经网络的预测精度更高,该模型为工程上研究混杂纤维混凝土受冻融循环损伤后的损伤程度提供了新方法。

基于BP-AsymBoost的医疗诊断模型

本文主要研究BP神经网络以及AdaBoost算法在医疗诊断中的应用,在分析标准AdaBoost算法的基础上提出改进的AdaBoost算法,即BP-AsymBoost.针对UCI数据库中的威斯康星乳腺癌数据集设计结合BP网络以及改进后的AdaBoost算法的诊断模型,并且通过多个指标将其与BP模型,遗传算法优化的BP模型,未经改进的BP-AdaBoost模型进行比较,验证BP-AsymBoost模型的有效性.

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法(GA)全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明:模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GABP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F1值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。