基于机器学习耦合模型预测FDM零件的表面粗糙度

熔融沉积工艺(FDM)制造的零件表面粗糙度高,不仅影响了零件外观,还降低了性能。采用响应面实验设计,研究了层高(A)、填充密度(B)、喷嘴温度(C)、床层温度(D)和打印速度(E)对聚乳酸(PLA)零件表面粗糙度的影响。同时,将遗传算法(GA)与决策树(DT)、人工神经元网络(ANN)两种机器学习模型相结合,预测了零件的表面粗糙度。结果表明,A、B、C和E是显著影响零件表面粗糙度的主效应,A×B、A×C、A×E、B×C、B×E、C×E是影响显著的交互效应。GA+DT耦合模型预测PLA零件表面粗糙度的准确性更高,预测值与实验值的相关系数(R2)、均方误差(MSE)和平均绝对误差(MAE)分别为0.952、0.132和0.234,优于GA+ANN的0.823、1.561和1.759。GA+DT模型的预测值与实验值的Pearson相关系数为0.984,而GA+ANN模型仅为0.903,这表明GA+DT模型在预测PLA零件表面粗糙度时准确度更高。

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。

基于BP神经网络的油松人工林生长模型

以内蒙古大青山油松人工纯林作为研究对象,利用Matlab神经网络工具箱中的logsig、tansig、trainlm等函数,采用二类调查数据中的平均年龄、郁闭度、地位级作为输入层,平均高为输出层,建立油松人工林树高生长BP人工神经网络模型。结果表明,模型的拟合精度为99.98%,检验精度为98.62%,说明该模型对当地的油松人工林生长具有良好的预测能力。

基于数据挖掘的财务预警模型设计与实现

利用决策树算法在筛选属性方面的优势,对传统ID3算法进行了改进,建立了一个精简的财务指标体系。然后,利用人工神经网络在建立财务预警模型方面优于其他线性和回归模型的特点,基于B-P模型构建了一个新的混合财务预警模型。最后,本文利用测试集中样本,将该模型与经典的Z计分模型的预警能力从第一错误率和第二错误率两个角度加以比较。通过实际样本的分析对本文建立的财务预警模型的预警能力进行了很好的验证。

不同模型在渔业CPUE标准化中的比较分析

为了提高渔业数据单位捕捞努力量渔获量(catch per unite of effort,CPUE)标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络(artificial neural network,ANN)、回归树(regression trees,RT)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)等机器学习方法和传统的广义线性模型(generalized linear model,GLM)等方法,对2000-2013年大西洋大眼金枪鱼(Thunnus obesus)延绳钓CPUE数据进行标准化。采用平均绝对误差、平均均方误差、3种相关系数(Pearson’s,Kendall’s和Spearman’s)和标准化均方误差等评价指标对不同模型标准化结果进行对比,寻找较优的标准化方法。研究结果表明,在验证数据集SVM方法得到的3种相关系数(0.596,0473和0.632)和RF(0.623,0.456,0.621)相似,高于RT(0.516,0.432和0.586)、ANN(0.428,0.249和0.365)和GLM(0.199,0.106和0.159)。SVM预测的均方误差(11.25)、平均绝对误差(2.107)和标准化均方误差(0.652)略低于RF(11.655,2.377和0.661),明显低于RT(14.999,2.434和0.801)、ANN(16.692,2.883和0.823)和GLM(16.517,2.777和0.993)。各项指标揭示SVM方法要优于其他4种方法,RF次之,GLM计算结果在所有方法中最差,不适合渔业数据CPUE标准化。SVM和RF方法应该被优先考虑用于渔业数据CPUE标准化。研究结果为渔业资源管理和保护提供更好的支持。

白桦人工林单木生长的人工神经网络模型研究

以东北林业大学帽儿山实验林场白桦人工林为研究对象,采用MATLAB中log-sigmoid型函数(logsig)和线性函数(purelin)为神经元的作用函数,用林分内单木相对直径、林分密度指数、林分地位指数和林分年龄作为输入变量,以单木胸径生长量作为输出变量,构建了4∶n∶1的单木生长的BP人工神经网络模型。用200组单木生长数据对网络模型进行训练和检验,得最适宜的网络结构为4∶3∶1,均方误差函数mse=0.001601 79,总体拟合精度为96.86%。本模型在充分跟踪样本数据的同时,又保持树木生长方程的规律性,可供同类条件的林分在进行经营设计时进行分析、计算和模拟和预测等使用。

森林类型遥感识别人工自组织神经树模型初探

运用森林类型遥感目视识别的７０个样本，训练人工自组织神经树模型，然后对１０个“未知”样本进行预测。结果表明，该模型的识别、容错能力较强，综合了遥感图像专家目视判读与计算机自动识别的优点，使判读过程更加精确和简练，而且省工、省时、省经费。

自压式树状管网的两级优化设计模型与神经优化设计

建立了自压式树状管网两级优化设计模型 ,并用人工神经网络法实现树状管网非线性规划模型的快速求解。采用的人工神经网络技术的两级优化设计模型在适用范围、求解速度和获得最优解能力上 ,均优于单一的非线性规划模型和线性规划模型 。

考虑时滞效应的龙爪槐树干液流人工神经网络模型研究

以鲁东大学校内5年生龙爪槐为例,分别利用美国产AZ-M茎流系统和澳大利亚产AXWG03自动气象站对植株的树干液流和微环境气象因子进行了观测,探讨了BP-人工神经网络模型在植物液流与环境因子定量分析中的适用性,并比较了考虑液流相对于微环境气象因子滞后效应前后人工神经网络模型拟合精度的变化。结果表明,树干液流速率相对于太阳总辐射、光合有效辐射和风速分别存在10 min、10 min和20 min等间隔不等的时滞。与传统的多元线性回归和不考虑滞后效应的BP-人工神经网络模型相比,考虑滞后效应的人工神经网络模型的拟合精度显著提高,考虑、不考虑滞后效应的人工神经网络模型和多元线性回归模型得到的液流速率拟合值与观测值回归方程的决定系数分别为0.94 4、0.888和0.853;液流速率拟合值与观测值相对误差处于±5%和±10%范围内的分别为41.177%、35.849%、30.189%和70.588%、62.264%、31.527%。由分析结果可知,液流的时滞是模型建立中一个不可忽略的现象。

基于人工神经网络的树高曲线模型研究

本文利用人工神经网络建模技术,以河南农业大学三区内毛白杨人工林99株的断面积平均直径和树高资料为基础,研建了树高曲线人工神经网络BP模型和幂函数模型。通过两个函数模型的比较表明:人工神经网络建模技术精度高、误差小,具有很强的泛化能力。在用幂函数拟合较差的情况下,人工神经网络也取得很高的精度,其拟合效果具有明显的优势。

用Hopfield网络模型解决林种树种结构优化问题

叙述了Hopfield网络的优化原理,并采用Hopfield网络建立了林种树种结构优化模型,经计算机模拟,结果是可靠的;其目标函数可为非线性,与线性规划相比,其应用前景更广,为林业系统结构优化提供了一种新的方法.

自组织学习联想神经树在多金属成矿预测中的应用

本文运用自组织学习联想神经树，对鄂东南地区４４个铁帽进行了计算机识别，识别成功率达１００％，结果表明，该方法性能良好，可望成为多金属成矿预测的一种有效的辅助手段。

认知行为计算模型结合DM的教学质量提升

为了根据认知及行为表现区分不同类别的学生以更好地提升教师教学质量,提出了基于认知行为计算模型的数据挖掘模型。基于各种重要的认知、行为输入参数,提出了认知、行为指数因子计算模型;依据所搜集的六个认知参数及三个行为参数,运用人工神经网络、灵敏度分析、数据挖掘及分类回归树算法对数据进行分类;将学生划分成三种不同的类别,从而更好地针对不同类别的学生实施不同的教学策略。实验结果表明,学生分类问题中,行为参数远比认知参数重要,分析结果表明了所提模型在教育系统教师工作支持领域的可行性。

洪水预报智能模型在中国半干旱半湿润区的应用对比

为探究不同洪水预报智能模型在我国半干旱半湿润区的应用效果,选用决策树、多层感知器、随机森林和支持向量机4种模型在陕西省3个典型流域进行逐时洪水预报;选择相关系数、纳什效率系数、均方根误差、平均绝对误差和相对误差等评价指标,比较不同预见期下4种模型在半干旱半湿润典型流域洪水预报的适用性。结果表明:在短预见期预报中,4种模型在半湿润区典型流域均可获得较高的预报结果,在半干旱典型流域模拟精度相对偏低,仅支持向量机模型满足预报要求;随着预见期延长,不同模型性能变化差异大,支持向量机模型整体稳定,在小流域实时洪水预报中具有明显优势;随机森林模型与决策树模型精度随预见期延长而缓慢下降,前者适应性更好;多层感知器模型精度随预见期延长而骤减,模型稳定性较差。

基于决策树和人工神经网络的小儿肺炎痰热闭肺证诊断模型研究

目的基于决策树和人工神经网络方法,建立小儿肺炎痰热闭肺证诊断模型。方法以大样本、多中心小儿肺炎痰热闭肺证病例作为数据源,运用CRT、CHAID、QUEST、C5.0决策树和多层感知器(MLP)、径向基函数(RBF)的神经网络方法建立小儿肺炎痰热闭肺证诊断模型,并结合中医理论分析模型的诊断规则。结果采用CRT、CHAID、QUEST、C5.0算法决策树建立的小儿肺炎痰热闭肺证的诊断模型,准确率为83.1%、91.0%、89.5%、93.2%。其中采用C5.0算法的决策树模型优于前3种。采用MLP、RBF算法的神经网络方法建立小儿肺炎痰热闭肺证诊断模型,准确率为92.1%和90.8%,其中采用MLP的神经网络更优于采用RBF算法的神经网络。结论运用决策树和神经网络方法,可以建立小儿肺炎痰热闭肺证诊断模型。其中痰多粘稠、痰色黄、脉滑、咳嗽、指纹紫滞为诊断中的决定要素。"痰"、"热"为痰热闭肺证的证候病机。本研究为小儿肺炎临床辨证论治提供客观依据,有力促进中医标准化进程。

基于特征性脂肪酸和甘油三酯指标的油茶籽油掺伪定性鉴别模型对比分析

为解决油茶籽油掺伪其他植物油的定性鉴别问题,在油茶籽油中分别掺入大豆油、花生油、葵花籽油、棉籽油、葡萄籽油、菜籽油、棕榈油和米糠油,设置高和低两种不同掺伪梯度,基于14个特征性脂肪酸和甘油三酯指标,运用Python语言构建并对比分析了二分类决策树模型、多分类决策树模型和多层感知机人工神经网络(MLP-ANN)模型用于油茶籽油掺伪定性鉴别的效果。结果表明:高和低掺伪梯度下,二分类决策树模型对油茶籽油掺伪其他植物油的定性鉴别的准确率均达到0.95以上;多分类决策树模型的精确率和准确率在高掺伪梯度下均达到了0.95,但在低掺伪梯度下仅为0.90;在高和低掺伪梯度下,MLP-ANN模型对油茶籽油掺伪定性鉴别的平均精确率均达到0.98,准确率分别达到0.97和0.98。相比于决策树模型,MLP-ANN模型能很好地实现油茶籽油掺伪定性鉴别。

数据挖掘技术联合血浆CEA、CYFRA21-1、AOC3、CLEC3B及流行病学资料构建的模型对肺癌的诊断价值

目的 分析基于数据挖掘技术联合血浆癌胚抗原(CEA)、细胞角蛋白19片段抗原21-1(CYFRA21-1)、血管粘连蛋白1(AOC3)、四连接素蛋白(CLEC3B)及流行病学资料构建的模型对肺癌的诊断价值。方法 经匹配年龄、性别、吸烟史、饮酒史、肿瘤家族史与肺癌家族史,该研究共收集肺癌患者(肺癌组)与健康对照者(健康对照组)各68例。采用ELISA检测血浆CEA、CYFRA21-1、AOC3与CLEC3B的表达水平;采用数据挖掘技术中的决策树C5.0模型、人工神经网络(ANN)模型、支持向量机(SVM)模型与传统Fisher判别分析模型联合4种蛋白及流行病学资料构建肺癌诊断模型。结果 肺癌组血浆CEA与AOC3表达水平高于健康对照组(P<0.05),CLEC3B表达水平低于健康对照组(P<0.05),CYFRA21-1表达水平在两组之间差异无统计学意义(P>0.05)。决策树C5.0模型、ANN模型、SVM模型与Fisher判别分析模型诊断肺癌的准确率分别为72.09%、90.70%、81.40%与76.74%,灵敏度分别为50.00%、87.50%、70.83%与62.50%,特异度分别为100.00%、94.74%、94.74%与94.74%,曲线下面积分别为0.750、0.911、0.828与0.786;经对比,ANN模型对肺癌的诊断效能最好。结论 基于血浆CEA、CYFRA21-1、AOC3、CLEC3B与流行病学资料构建的ANN模型对肺癌的诊断效能较高,具有潜在的临床应用价值。

基于人工神经网络的设备故障诊断策略及模型研究

文章首先介绍人工种经网络的基本理论和基本模型，然后研究诊断设备的结用特征，担出了“结构树”的概念．并据此分析了设备故障的特点．文章最后以神经网络基本模型为基础，结合设备故障特点，探讨了基于人工神经网络的设备故障诊断策略及模型．

基于决策树和人工神经网络的学生在线答题正确性影响因素研究

答题正确性不仅取决于学生对某一知识点的掌握程度,还受到学生心理状态、答题习惯等多方面因素的影响。为探究学生在线答题正确性的影响因素,该文基于SPSS Modeler,使用决策树和人工神经网络两种统计分析方法,对影响学生答题正确性的平均知识水平、平均粗心程度、行为总数、专注度、沮丧、钻系统的空子这6个因素进行了分析。结果显示:平均知识水平对平均正确性的影响最大,平均粗心程度次之。研究成果将为学生学习行为的改进和老师教学方法的完善提供理论依据与指导。

基于数据挖掘技术的银行客户定期存款认购模型研究

数据挖掘技术能有效地挖掘出潜在的银行客户,能够大大提高银行的竞争力.介绍了数据挖掘技术中常用的三种模型:逻辑回归模型、BP神经网络模型和决策树模型,同时构造了一种新模型--逻辑回归与BP神经网络混合的模型,然后分别采用这四种模型对可能影响银行客户是否认购定期存款的影响因素进行数据挖掘分析,分别构建了基于逻辑回归模型、BP神经网络模型、逻辑回归与BP神经网络的新模型、决策树模型的银行客户定期存款认购的四种模型,同时利用R语言分别对这四种模型进行分析,分别用ROC曲线的AUC值和正确率比较这四种模型的功效强弱以及稳定性,研究结果表明,给出的新模型--逻辑回归与BP神经网络的新模型的预测效果更好,训练集和测试集预测的准确率分别为0.936和0.931,训练集和测试集ROC曲线的AUC值分别为0.998和0.987,这可以大大缩小银行推送认购定期存款的客户范围,有效地挖掘出潜在的银行客户,可以大大提高银行的效率.