基于BPNN局部位移场拟合的心脏形变计算模型

加标记的心脏核磁共振图像(tagged MRI)提供了一种非介入性的方法来跟踪心肌组织的运动,通过对MRI中tag线的分割可以获得在心动周期不同时刻的多帧稀疏的tag线位移信息·如何借助这些信息近似恢复整个心脏的运动是一个具有挑战性的课题·提出了一种新颖的心脏形变计算模型:由tag线交点信息通过BP神经网建立描述连续位移场的局部拟合函数;再通过对位移场函数的迭代求解心肌质点的运动,实现心脏形变计算·实验表明模型具有物理意义明确、算法简单和计算精度高的特点·

应用端部效应改善的LS+NN模型进行日长变化预报

现有ΔLOD(Delta Length-Of-Day,日长变化)预报模式在进行周期项与残差项拟合分离时,通常没有考虑LS(Least Squares,最小二乘)拟合序列的端部效应,预报精度难以取得较大提高。针对端部效应现象,首先采用时间序列分析模型在ΔLOD序列两端进行数据延拓,构成一个新序列,然后用新序列求得LS外推模型系数,再结合LS外推模型和NN(Neural Network,神经网络)对原始ΔLOD序列进行预测。算例表明,在ΔLOD序列两端增加延拓数据,能有效改善LS拟合序列的端部效应;端部效应改善的LS+NN模型的预报精度明显优于常规LS+NN模型,精度最大提高了17.86%。该方法不仅适用于LS+NN模型,也适用于LS外推模型与其他模型的组合。

基于KNN离群点检测和随机森林的多层入侵检测方法

入侵检测系统能够有效地检测网络中异常的攻击行为,对网络安全至关重要.目前,许多入侵检测方法对攻击行为Probe(probing),U2R(user to root),R2L(remote to local)的检测率比较低.基于这一问题,提出一种新的混合多层次入侵检测模型,检测正常和异常的网络行为.该模型首先应用KNN(K nearest neighbors)离群点检测算法来检测并删除离群数据,从而得到一个小规模和高质量的训练数据集;接下来,结合网络流量的相似性,提出一种类别检测划分方法,该方法避免了异常行为在检测过程中的相互干扰,尤其是对小流量攻击行为的检测;结合这种划分方法,构建多层次的随机森林模型来检测网络异常行为,提高了网络攻击行为的检测效果.流行的数据集KDD(knowledge discovery and data mining) Cup 1999被用来评估所提出的模型.通过与其他算法进行对比,该方法的准确率和检测率要明显优于其他算法,并且能有效地检测Probe,U2R,R2L这3种攻击类型.

基于混合GANN的沥青路面使用性能评价

针对 GA与 NN优缺点互补的特点 ,摒弃以往 GANN模型的不足 ,采用以 GA优化 BP网络权值与阈值 ,再用BP网络对 GA搜索到的近似最优解进行微调的方法 ,建立一种能充分发挥两者优势的混合 GANN模型。将模型应用于高速公路 ,建立了基于混合 GANN的高速公路沥青路面使用性能评价模型 ,通过与其它模型的分析对比表明 :该模型科学、精确、易于实现 。

混合GANN模型在路面状况指数预测中的应用

基于路面破损检测的困难性 ,利用路面使用性能的 4个评价指标——路面破损状况、路面结构强度、路面平整度和路面抗滑能力之间复杂的内在联系 ,建立了一种路面破损状况的混合 GANN预测模型。应用该模型可以利用快速检测到的 IRI、SSI和 SFC数据对路面状况指数 PCI进行预测 ,减轻了路面破损调查的工作量 ,节约了大量的人力物力 ,有很高的实用价值。

基于可传递信度模型的k-NN分类规则

针对训练模式所属类不确定情形,提出了基于可传递信度模型(TBM)的k-NN分类规则,并结合模糊集理论及可能性理论进行了拓广,最后通过计算机模拟实验将两者作了比较.

基于可传递信度模型的自适应k-NN分类器

针对训练模式类标签不精确的识别问题,提出了基于可传递信度模型(TBM)的自适应k-NN分类器,它通过运用pignistic变换,可以方便地对待识别模式真正所属的类做出决策,并通过梯度下降来最小化训练模式的输出类标签与目标类标签之间的误差函数,以实现参数的自适应学习.实验表明,该分类器用于处理训练模式类标签不精确的模式识别问题是有效的,且与参数优化前的基于TBM的k-NN分类器相比,其误分类率更低、鲁棒性更强.

基于随机KNN特征选择的高质量移动通信用户预测

高价值移动通信用户预测是电信企业客户管理的一项重要内容,针对用户数据维度较高,规模较大,类不平衡较严重等问题,提出一种基于随机KNN的特征选择的预测方法,首先对初始数据进行随机采样构建多个KNN分类器,随后计算特征的权重以评估其重要性,利用广义顺序后退法对特征进行选择获得最优的特征子集,最后在结合集成学习方法中加入加权投票机制,建立预测模型。实验结果表明,该预测模型能够有效降低样本特征维度并提升对高价值移动通信用户预测性能。

基于PP-BPNN的黄金价格预测模型

黄金价格受到多种因素影响,是一个复杂的非线性态系统,按传统线性规律建模预测,误差较大。为了提高黄金价格预测精度,提出一种投影寻踪和神经网络相结合的黄金价格预测模型。首先利用投影寻踪算法对影响因子进行筛选,降低特征空间的维数然后根据选择的影响因子对黄金价格样本进行处理,并输入到BP神经网络进行学习,建立黄金价格预测模型,最后通过实验对模型预测性能进行测试。实验结果证明,组合模型能够很好刻画黄金价格变化趋势,简化神经网络结构,加快收敛速度,进一步提高了黄金价格的预测精度和运行效率。

基于NNs模型的轻骨料混凝土梁抗剪分析

混凝土构件的抗剪问题始终未形成统一定论。优化多层前馈神经网络(NNs)模型使用反向传播算法及提前终止技术,能够合理考虑各层神经元几何与材料特性。基于神经网络建立了轻骨料混凝土梁的受剪承载力计算模型,并搜集国内外82组轻骨料混凝土梁受剪试验结果作为样本数据,分为训练组、验证组及测试组,通过与试验值对比分析验证了计算模型的合理性和准确性。研究表明:训练组、验证组及测试组的试验值与NNs模型计算值比值的平均值分别为0.953、1.064和1.124,方差为0.147、0.034和0.091,NNs模型的计算结果能很好的对轻骨料钢筋混凝土梁的抗剪承载力进行预测,并能充分考虑各影响因素的显著性。

灰多变量ANN模型在城市用地预测中的应用

合理确定城市用地规模,是衡量城市理性发展的重要依据。选择了年度GDP、工农业总产值、总人口等重要的建城区影响因子,分别用灰色GM(1,N)、BP神经网络构建了单项预测模型,并对各模型的优缺点进行比较分析。其次采用标准差法进行权重分配,建立组合模型。实例计算结果表明,组合预测模型的精度优于其他两个单一预测模型,这是对建城区面积预测方法的有益探索。

NNS模型及其对宏观经济学的新发展

20世纪80年代以来,新兴新古典综合(NNS)模型被广泛运用于解释具有微观基础的宏观经济问题。本文考察NNS模型的总体研究工作,论证其对于当下宏观经济学的新发展及意义。NNS模型分析性地说明:价格稳定将继续作为好的货币政策的基础,保证货币政策达到家庭福利最大化;在实际操作中,通过锚定预期未来通货膨胀,利率政策通过促进价格稳定的可信性强化了杠杆作用,导致利率政策在最大程度上促进了当前的总需求;只要现金优先的解释暗示了如果价格下降,产出只能增加,那么可以发现,扩张型的财政政策必然会在货币外生的体制下产生通货紧缩的后果。NNS模型对于中国经验具有一定的解释力。

基于混合GANN的大气折光实时改正方法研究

针对GA与BP网络优缺点互补的特点,摒弃以往GANN模型的不足,采用以GA优化BP网络权值与阈值,再用BP网络对GA搜索到的近似最优解进行微调的方法,建立了一种能充分发挥两者优势的混合GANN模型。将模型应用于大气折光实时改正,建立了基于混合GANN的大气折光实时改正模型。通过与其他模型的分析对比表明,该模型科学、精确、易于实现,是一种实用的大气折光实时改正模型。

基于TBM的自适应模糊k-NN分类器

针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊k-NN(k-Nearest Neighbor)分类器。利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策。采用梯度下降最小化误差函数,以实现参数的自适应学习。实验结果表明,该分类器误分类率低、鲁棒性强。

模糊聚类与k-NN法大型发电设备状态预警模型

根据设备运行的历史数据,运用模糊聚类和k-NN证据分类的方法,建立设备的运行状态模型,对水火电发电设备的运行状态进行判断,并对异常、故障状态进行预警。最后以红河1号机组#1高压加热器2014年1月用来聚类的4000组样本数据及其隶属度矩阵作为证据k-NN的训练集,2月某两天运行数据进行测试。验证模型能够如实反映设备异常状态,证明了模型的可靠性。

基于GA—NN人体心血管模型FDM制造的工艺参数优化

基于熔融沉积成型(Fused Deposition Modeling,FDM)的3D打印技术而制作的人体心血管模型,是批量制作透明人体心血管模型的母模,其制作步骤是:利用三维激光扫描技术和逆向工程软件来反求重构模型;将模型切片后导入到桌面FDM设备采用默认参数打印出实体模型。针对默认工艺参数下模型出现的破损缺陷,采用参数优化的方式改善缺陷。以心血管模型破损面积(mm2)为目标,利用正交试验数据建立了反应其与分层厚度(d/mm),喷头温度(T/℃)和填充速率(C/mm/s)之间关系的神经网络(Neural Network,NN)模型。采用遗传算法(Genetic Algorithm,GA)方法对上述工艺参数,进行优化并得到相应的制造参数。通过实验验证,结果表明:采用优化后的工艺参数,模型的预期破损面积(0.021mm2)与实验结果(0.023mm2)相符合,并且小于之前的试验结果。故采用GA-NN对人体心血管模型FDM制造进行优化是可行的。

基于可变精度粗集模型的k-NN分类

将可变精度粗集模型与k-NN分类结合起来,提出了一种新的分类方法,即基于可变精度粗集模型的k-NN分类方法,并且给出了β-信任函数和β-似然函数两个新的概念。

基于FNN快速学习算法的动态测量误差建模

本文提出一种基于无监督学习中的主元分析算法的Oja规则和监督学习中δ规则的前馈神经网络的快速学习算法。与现有同类算法相比 ,该算法计算量小 ,较适用于快速学习的动态实时测量误差建模和其他应用 ,仿真结果表明了该算法的优良性能。

基于优化k-NN模型的高山松地上生物量遥感估测

针对传统k-最近邻法(k-nearest neighbor,k-NN)在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法(genetic algorithm,GA)优化的k-NN模型实现的基础上,对k-NN的3个参数(k,t和d)进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm^(-2),偏差为-0.418 t·hm^(-2),相对标准误差百分比(R_(MSE))为54.8%;优化后均方根误差为24.0 t·hm^(-2),偏差为-0.123 t·hm^(-2),R_(MSE)为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×10~7t。

具有NN分级误差补偿器的轧制力预报模型

为提高冷轧带钢质量 ,必须建立精确的轧制力预报模型。介绍了带有神经网络参数辨识器的轧制力预报模型 ,并采用神经网络构造误差补偿器。通过按时间跨度分级的数据处理过程 ,形成长期和短期训练数据集 ,结合相应的网络训练机制 ,实现模型预报误差的分级补偿。仿真结果表明 ,该预报模型能有效地提高预报精度。