基于加权支持向量回归的火灾智能探测系统

火灾的早期探测是较为复杂且具有重要意义的研究课题。针对传统火灾探测方法存在的不足,提出了一种基于加权支持向量回归的火灾智能探测系统,加权支持向量回归算法克服了神经网络过学习等不足,及标准支持向量回归中未考虑各样本重要性的差异问题,实验结果表明此火灾智能探测系统优于基于神经网络和标准支持向量回归的探测系统,探测效果显著,具有良好的应用前景。

人工神经网络在火灾探测中的应用

火灾的早期探测是较为复杂且具有重要意义的研究课题。针对传统火灾探测方法存在的不足,提出了一种基于人工神经网络技术的火灾自动探测系统,即采用黄金分割优选法对网络隐含层节点数进行优选,采用优于BP算法的LM算法进行网络学习训练。实验结果表明不仅这种系统具有拟合精度高和运算速度快等优点,且探测效率良好。

基于RBFNN的数据通信业务收入发展预测

数据通信业务收入发展状况受多种不确定因素影响,其预测过程是一个复杂的非线性问题,采用传统预测方法难以逼近复杂的非线性映射关系,其预测误差大.为此根据神经网络的非线性特性,提出一种基于RBF神经网络的数据通信业务发展预测模型,对2006-2011年数据通信业务收入发展进行预测,与BP网络训练结果比较,其收敛速度快,训练精度高,具有较强的鲁棒性和容错性,应用效果显著.