基于BP神经网络和RBF神经网络预测老年痴呆症疾病进展的对比研究

目的:比较反向传播算法(BP)神经网络和径向基函数(RBF)神经网络预测老年痴呆症疾病进展的效果。方法:以老年痴呆症随访数据为研究对象,以性别、年龄、受教育程度、有无高血压、有无高胆固醇、有无心脏病、有无中风史、有无家族史8个指标作为输入变量,以五年随访的MMSE差值为输出变量,构建基于BP神经网络和RBF神经网络的老年痴呆症疾病进展预测模型。结果:与BP神经网络模型相比,RBF神经网络预测的结果更好,能够有效地预测老年痴呆症疾病进展。结论:神经网络模型将老年痴呆症疾病进展预测问题转化为随访数据中相关测量指标与MMSE差值的非线性问题,为复杂的老年痴呆症疾病进展预测提供了新思路。     

基于BP神经网络的SARS传播预测

政府的控制措施作为影响SARS传播的因素,利用BP网络,对SARS的传播规律进行预测.以北京市的SARS数据来进行验证,结果显示,该方法准确率非常高.     

基于神经网络的异位妊娠发病率发展趋势研究

本文阐述了ＢＰ神经网络的基本算法,并根据近十年来搜集整理的异位妊娠发病率的统计资料;采用 ＢＰ神经网络对异位妊娠的发病率的发展趋势进行预测;预测结果和实际结果比较吻合．进一步指出了神经网络可作为一种新的预测方法．     

基于BP神经网络的siRNA活性预测

RNA干扰(RNAinterference,RNAi)是由双链RNA(dsRNA)引起的基因沉默现象,它通过降解具有同源序列的mRNA来起作用,特殊设计的siRNA能使靶基因发生特异性沉默,起到确定基因功能或沉默致病基因从而治疗疾病的目的。在RNAi技术的应用中,通常采用的是长度为19bp,正、反义链3'端各有2个不配对碱基的双链RNA(siRNA)。但针对靶基因不同位点设计的siRNA作用效果差别很大。影响siRNA效果的因素是多方面的,这些因素的作用又是非线性的。本文在研究影响siRNA作用效果的各种因素的基础上,对已经公开发表的实验数据进行特征提取,作为BP神经网络的训练数据,并将训练好的BP神经网络用于siRNA活性预测。     

基于小波神经网络的麦蚜发生程度预测模型

【目的】建立基于小波神经网络病虫害预测预报模型,对提前采取防病防虫措施、减少农作物病虫害损失、提高农作物产量与质量具有重要意义。【方法】本研究以山西省运城市芮城县1980-2014年麦蚜发生程度和气象因子数据为基础,采用主成分分析法从40个基础气象因子中整合形成9个新的自变量输入模型,采用试凑法筛选隐含层节点数,用1980-2009年的数据进行网络训练,对2010-2014年麦蚜发生程度进行回测,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较。【结果】小波和BP神经网络两种模型对训练样本的平均拟合精度均有10年以上超过80%,两者MAPE 值分别为 89.83% 和83.07%,MSE 值分别为0.0578和0.6192。【结论】两个模型都能较好地描述麦蚜发生程度;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络。     

基于小波分析与BP神经网络的西湖叶绿素a浓度预测模型

小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络。选择合适的小波基和分解尺度对西湖水体Chl—a进行小波分析,将原序列分解成一个低频概貌分量和多个高频细节分量,再通过BP网络建立西湖叶绿素a浓度短期预测模型Ⅰ和模型Ⅱ。模型Ⅰ将小波分析去除高频细节信息后的低频概貌部分作为输入变量预测Chl-a含量;模型Ⅱ则对低频部分和高频部分分别进行预测,最后汇总各分网络输出得到最终结果。对确证集预测时,模型Ⅰ的平均误差为4．4％,模型Ⅱ仅为1．9％,且误差范围较模型Ⅰ小,表明模型Ⅱ具有较高的预测精度和稳定性。最后运用模型Ⅱ进行水质预测,预测值与实际值的平均相对误差为6．4％,并选取3号点（中山码头）进行模型的泛化,平均相对误差为6．9％,取得了较理想的预测效果,说明小波神经网络能成功预测西湖水体中Chl—a含量的短期变化趋势,为西湖水质管理提供科学依据。     

基于 RBF 神经网络的蛋白质二级结构预测

蛋白质二级结构对于研究其功能具有重要作用。采用主成分分析方法对氨基酸的基本物化属性及其二级结构倾向性进行降维降噪处理,使用径向基神经网络对蛋白质二级结构进行预测。主成分分析使得之前 20 ×12 矩阵变为 20 ×4 矩阵,极大地减少了神经网络输入端的维数。在仿真过程中,当窗口大小为 21,扩展函数为 7 时,预测精确度达到了 71. 81%。实验结果表明 RBF 神经网络可以有效的用于蛋白质二级结构的预测。     

区域旅游交通碳排放测度模型及实证分析

交通是旅游业发展的基础,旅游交通的碳排放是旅游业碳排放的主体部分。合理配置区域旅游交通是旅游业可持续发展的重要保障。从区域的角度出发,构建区域旅游交通碳排放测算模型,并以南京市和黄山市为例进行分析。研究发现:(1)区域经济和旅游发展水平是影响旅游交通碳排放的重要因素,且经济发展水平和旅游发展水平对旅游交通碳排放"贡献"的大小和方向不同;(2)区域旅游交通碳排放主要在区外,区内比例较小。2008至2012年,南京市旅游交通碳排放中区外部分所占比例平均达到89.13%,黄山市平均达到90.21%,两城市区外与区内部分之比均约为9∶1;(3)区域旅游交通碳排放结构中,民航所占比重最大,其次是公路和铁路,区域交通结构的优化有利于旅游交通碳排放的减少;(4)区域各类交通方式中,外部交通的碳排放中旅游业的贡献较大,而城市内部交通的碳排放中旅游业的贡献较小。     

基于遗传神经网络的成都市人均生态足迹预测

利用遗传神经网络模型分析成都市各年人均生态足迹值与其主要影响因素之间的内在关系,并以此来预测未来生态足迹发展趋势.首先计算出成都市1985～2005年共21年的人均生态足迹值,结果表明,20余年来成都市人均生态足迹值缓慢上升,从1.344hm2升至1.789hm2.选取6个影响因素指标,建立了6输入、1输出、1个隐含层的三层BP人工神经网络,利用遗传算法的全局优化性能对BP网络进行初始权值优化,以克服BP网络易陷入局部极小点的缺陷.运用遗传神经网络模型对训练样本(1985～2002年人均生态足迹值)进行拟合的精度达99.70%;对检验样本(2003～2005年人均生态足迹值)进行仿真检验,仿真精度为99.10%,高于普通BP神经网络模型(97.89%),体现出模型较强的应用价值.利用1985～2005年各影响因素的预测值作为网络输入,使用优化后的网络来预测成都市未来几年生态足迹值,最终预测得到2008～2010年成都市人均生态足迹的预测值分别为1.939、1.990、2.049 hm2人-1,人均生态赤字分别为1.629、1.688、1.749 hm2人-1.为减轻城市发展消耗所导致的生态环境压力,应有效控制成都市人口过快增长、引导消费观念和结构更新.     

基于BP神经网络和遗传算法的面包酵母高密度发酵培养基优化

为实现面包酵母的高密度发酵培养,构建一个BP神经网络模型,用于回归面包酵母高密度发酵培养基中显著影响因子与菌体密度之间的非线性关系,并在此基础上结合遗传算法进对此模型进行全局寻优,得到关键因子最佳浓度分别为:葡萄糖52.3 g/L,酵母浸出粉10.4 g/L,(NH4)2SO41.9 g/L.采用此优化配方进行摇瓶培养,所得菌体密度为3.95×108个/mL,比对照提高了61.2％.结果证实了人工神经网络的模拟和预测功能在微生物培养基优化方面有一定应用价值.     

基于人工神经网络的农业病虫害预测模型及其效果检验

选取与病虫害有关的因子作为样本的输入特征,建立了农业病虫害年分类预测的Ｂ－Ｐ人工神经网络模型。该方法应用于稻瘟病的预测建模结果的拟合率为１００％,预留样本检验报率为８３％。     

Prediction model of PSO-BP neural network on coliform amount in special food

Special food safety supervision by means of intelligent models and methods is of great significance for the health of local people and tourists. Models like BP neural network have the problems of low accuracy and poor robustness in food safety prediction. So, firstly, the principal component analysis was used to extract the key factors that influenced the amount of coliform communities, which was applied to reduce the dimension of this model as the input variable of BP neural network. Secondly, both the particle swarm optimization (PSO) and BP neural network were implemented to optimize initial weights and threshold to obtain the optimal parameter, and a model was constructed to predict the amount of coliform bacteria in Dai Special Snacks, Sa pie, based on PSO-BP neural network model. Finally, the predicted value of the model is verified. The results show that MSE is 0.0097, MAPE is 0.3198 and MAE is 0.0079, respectively. It was clear that PSO-BP model was better accuracy and robustness. That means, this model can effectively predict the amount of coliform. The research has important guiding significance for the quality and the production of Sa pie.     

人工神经网络在发酵工业中的应用

人工神经网络技术具有很强的非线性映射能力,用于系统的非线性建模,具有无可比拟的优势,广泛应用于发酵过程中培养基的优化和系统建模与控制方面,本主要介绍了人工神经网络的基本原理与使用方法,以及BP神经网络在非线性函数逼近的优点,详细介绍了其在发酵培养基优化,连续搅拌反应器神经网络估计,分批发酵及补料分批发酵过程建模与控制优化中的应用实例。     

Optimization for high-density cultivation of heterotrophic Chlorella based on a hybrid neural network model

AIMS: The purpose of this study was to develop a reliable hybrid neural network (HNN) model for heterotrophic growth of Chlorella, based on which optimization for fed-batch (FB) cultivation of Chlorella may be successfully realized. METHODS AND RESULTS: Deterministic kinetic model was preliminarily developed for the optimization of FB cultivation of Chlorella. The highest biomass concentration and the maximum productivity were obtained as: 104.9 g l(-1) dry cell weight and 0.613 g l(-1) h(-1), respectively. After several cultivations had been performed, an HNN model was developed. The efficiency of biomass production was further increased by the optimization using this model. The highest biomass concentration and the maximum productivity attained was: 116.2 g l(-1) dry cell weight and 1.020 g l(-1) h(-1), respectively. CONCLUSION: The HNN model agreed well with experimental results in different cultivations. Comparison between the HNN model and the deterministic model showed that the former had better generalization ability, which made it a reliable tool in modelling and optimization. SIGNIFICANCE AND IMPACT OF THE STUDY: The high cell density and productivity of biomass obtained in this study is of significance for the commercial cultivation of Chlorella. The simple and efficient optimization strategy proposed in this paper may be employed in heterotrophic mass culture of Chlorella as well as other similar organisms.     

基于人工神经网络的生态环境质量遥感评价

利用ETM遥感数据提取反映生态环境的植被、土壤亮度、湿度,MODIS地表温度产品提取的热度指数、气象指数及其它地学辅助信息作为神经网络的输入,野外调查标准兴趣区的遥感本底值评分值作为网络输出,建立一个3层结构的BP神经网络生态环境遥感本底值预测模型.利用MATLAB软件对网络进行训练和研究区生态环境遥感本底值的预测输出,并将预测结果按照生态环境遥感本底值分级评分标准进行等级划分.结果表明,总体分类精度达87.8%.利用神经网络方法对生态环境遥感本底值进行预测是可行的.采用先预测再分级的方法不仅能很好地评价区域生态环境质量,而且能够和区域生态环境类型紧密的结合起来.     

Dynamic graph convolution neural network based on spatial-temporal correlation for air quality prediction

Air pollution is a serious threat to both the ecological environment and the physical health of individuals. Therefore, accurate air quality prediction is urgent and necessary for pollution mitigation and residents’ travel. However, few existing models are established based on the dynamic spatiotemporal correlation of air pollutants to predict air quality. In this paper, a novel deep learning model combining the dynamic graph convolutional network and the multi-channel temporal convolutional network (DGC-MTCN) is proposed for air quality prediction. To efficiently represent the time-varying spatial dependencies, a new spatiotemporal dynamic correlation calculation method based on gray relation analysis is proposed to construct dynamic adjacency matrices. Then, the spatiotemporal features are sufficiently extracted by the graph convolutional network and the multi-channel temporal convolutional network. Two real-world air quality datasets collected from Beijing and Fushun are applied to verify the performance of our proposed model. The experimental results show that compared with other baselines, the DGC-MTCN model has excellent prediction accuracy. Especially for the prediction of multi-step and different stations, our model performs better temporal stability and generalization ability.     

基于人工神经网络的刚竹毒蛾发生面积的预测模型

根据神经网络的基本原理,结合福建省尤溪县气象因子及刚竹毒蛾发生面积的实测数据,建立神经网络模型。结果表明:所建立的BP神经网络模型,具有满意的拟合精度和预测精度。2个预留调查点的平均预测精度达96.55%,预测准确率为100%。     

基于ST-PCA-BP神经网络的檀香叶片全氮含量无损检测

氮素是植物生长需要的大量元素之一,生产经营者在植物生长过程中往往施加大量的氮肥,但过量的肥料会造成地下水污染.本文针对珍贵树种檀香,提出了一种基于ST-PCABP神经网络的檀香叶片全氮含量无损检测方法,为檀香的经营培育提供参考.结果表明:将野外获取到的檀香图像由RGB转换到L~*a~*b~*系统,可以较好地完成自然图像中的檀香分割.这是由于L~*a~*b~*系统色域宽,受光照变化的影响较小.ST-PCA-BP神经网络的特点是通过显著性检验(ST)筛选变量,使用方差膨胀因子和条件指数分析筛选结果的共线性,主成分分析法(PCA)消除共线性.该处理方法有效地减小了BP神经网络陷入局部最小值的概率,与原始数据、ST处理和PCA处理相比,决定系数最高,平均残差和均方根误差最小,是檀香叶片全氮含量无损、实时检测的最佳方法.     

基于神经网络简单集成的湖库富营养化综合评价模型

根据中国水利部推荐的地表水富营养化控制标准,以叶绿素a、总磷、总氮、化学需氧量和透明度为评价指标,采用线性插值方法生成均匀分布的训练样本,建立了用于湖泊、水库富营养化综合评价的神经网络简单集成模型,其个体网络采用反向传播网络。通过递增法分别确定个体网络隐含层节点数为3,集成规模为40。所有个体网络均采用弹性反传训练算法和带动量的梯度下降学习算法。将该模型应用于巢湖富营养化综合评价,结果表明该模型有效消除了单个反向传播神经网络对初始网络权重的敏感性,泛化能力得到显著的提高。该模型的评价结果与综合营养状态指数法差异极显著,而与插值评分法差异不显著;但相关性较高,相关系数分别为0．9406和0．8891。通过对比分析,表明该模型较好地归纳了评价标准中的潜在评价规则,评价结果客观、可靠。