共查询到20条相似文献，搜索用时 375 毫秒
1.
《东南大学学报》2015,(3)
研究了入侵检测系统中海量数据分类的问题.讨论了深度信念网络(DBN)的原理,提出了基于DBN的入侵检测模型.DBN由多层无监督的限制玻尔兹曼机(RBM)网络和一层有监督的反向传播(BP)网络构成.该入侵检测模型采用一种快速、贪婪的方法对DBN网络进行预训练,利用对比分歧算法逐层训练每一个RBM网络;然后,利用有监督的BP算法对整个DBN网络进行微调,并同时对RBM网络输出的低维特征进行入侵数据分类.基于KDD CUP 1999数据集的实验结果表明,使用3层以上的DBN模型分类效果优于自组织映射和神经网络方法.因此,DBN是一种有效且适用于高维特征空间的入侵检测方法. 相似文献
2.
特征选择在机器学习中运用广泛,Boruta算法是一种常见的特征选择方法,算法思想简单、易于操作,但样本复杂度较高。针对该问题提出改进Boruta算法,在原算法阴影特征样本建造中只对部分样本打乱重排序,降低了阴影特征样本的复杂度。实验结果表明,改进的Boruta算法在混合比例约为0.4~0.6时相比原算法,提取出的特征拟合模型预测性能略有提高。使用平均减少不纯度（mean decrease impurity）和随机Lasso这两种传统方法选择同样数量的特征建立模型进行预测,发现改进的Boruta算法预测性能比上述两种方法更优,改进的Boruta算法在降低样本复杂度的同时提高了预测性能。 相似文献
3.
以灰色预测理论为基础,分别运用传统的和改进的GM（1,1）模型,对福建省未来人口进行预测,并提出了存在干涉因子的GM（1,1）模型的使用方法,改进的GM（1,1）模型具有较高的预测精度和可行性． 相似文献
4.
针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。 相似文献
5.
王明权 《甘肃广播电视大学学报》2012,22(3):42-44
采用甘肃省2004年-2010年生活用水量的统计数据,应用灰色理论原理,通过数据处理,建立灰色GM（1,1）预测模型,用以预测甘肃省的未来生活用水量。 相似文献
6.
为提高销售预测准确率,提出一种基于改进 XGBoost 的销售预测方法。首先对销售量影响因素进行特征分析,通过改进灰色关联分析方法对训练数据进行降维处理|然后采用基于 XGBoost 算法的销售预测方法对降维后的特征数据进行监督训练|最后使用训练后的模型对销售情况进行预测评估。实验结果表明,基于灰色关联分析和 XGBoost 模型的销售预测方法正确率达到 95%以上,比传统的经典预测方法提高 35%以上,比 XG?Boost 预测方法提高 19.6%。基于灰色关联分析与 XGBoost 模型的销售预测方法不仅能有效处理海量数据,提高销售预测准确率,还能为制造企业实现产品精准投放提供决策依据。 相似文献
7.
近年来,随着云计算、大数据等技术的迅猛发展,如何快速、有效地从纷繁复杂的数据中获取有价值的信息成为当前大数据应用的关键问题。为此,对基于大数据云平台的深度学习预测模型进行研究,以对未来序列数据走势进行有效预测。首先对几种基于深度学习的长短序列预测模型进行对比分析,分析其与传统预测模型的区别及优势,提出一种加入 dropout 的轻量级 GRU 预测模型。采用代表性天气数据作为实验对象,实验结果表明,该方法的实验预测指标 MAE（平均绝对误差）的平均值相比传统预测方法有所提高,从而有效验证了轻量级 GRU 预测方法的正确性与有效性。 相似文献
8.
邹为彬袁玉珠 《福建工程学院学报》2015,(4):351-356
针对灰色模型在建筑物沉降预测中存在的不足,对传统的灰色模型进行改进,提出利用时间差法和Newton插值法将非等间距的原始数据序列转换为等间距数据序列,然后采用GM（1,1）模型和两种加权法对等间距数据进行建模的预测方法。并通过实例进行精度分析,实例证明利用Newton插值法构造等间距数据,采用基于时间加权的模型对沉降进行预测具有较高的精度。采用该模型对建筑物沉降趋势进行预测,为施工决策起到良好的参考作用。 相似文献
9.
许大宏 《连云港职业技术学院学报》2011,24(1):9-13
为了提高公路交通运输量的预测精度和公路运输行业的管理水平,研究了GM（1,1）模型特性、GM（1,1）在背景值和初始值选择两方面所存在的缺陷;提出一种新的背景值计算方法;最后,利用2000-2004年的公路客运量的实际数据进行了验证,结果表明：改进模型的预测精度要高于GM（1,1）模型的预测精度,前者比后者具有更高的预测精度和可靠性. 相似文献
10.
负荷预测是电力系统分析与运行的基础,对机组组合、经济调度、安全校核等均具有重要意义。随着电网规模不断增大,数据库时间跨度也随之变大,对不良数据及冗余数据的处理造成影响,负荷预测精度和速度的提高难度显著增大。针对这一问题,提出基于懒惰学习与聚类算法的组合模型。该模型以懒惰学习（Lazy Learning, LL）算法为基础,通过选择相似样本对负荷进行差异性预测建模。在预测应用中,为缩小样本库数量,减小 LL算法的预测时间,利用模糊C均值聚类（Fuzzy C-means,FCM）对用电特征进行聚类从而生成局部训练集,以改进LL算法局部建模。实验结果表明, FCM-LL组合算法不仅能高效精确地预测负荷,而且能实现数据库的实时更新。 相似文献
11.
网络安全状态数据具有数据量大、特征数目繁多以及连续型属性多等特点.态势预测问题可转化为海量数据的预测问题.以网络安全态势研究为应用背景,提出了一种基于改进的粒子群优化算法来优化反向传播神经网络的态势预测模型.利用IPSO内在的隐并行性和很好的全局寻优能力对BP网络的权值和阈值进行优化并建立预测模型对网络安全态势进行预测.仿真实验证明其改善了传统BP网络在预测应用中的不足,有效提高了态势预测的精准度. 相似文献
12.
为了降低企业生产车间空调能耗,基于长短期记忆（LSTM）网络构建了一种工业空调启动时间预测模型。使用该模型对车间空调提前启动时间进行预测,并将预测结果应用于车间空调系统的启动控制,以达到节能目的;采用平均绝对百分误差（MAPE）对预测模型进行整体误差评估,实验结果表明：LSTM 较好地解决了生产车间空调系统启动时间预测问题,相较于传统预测方法有着更小的 MAPE。优化控制后的空调系统能够在保证车间生产环境达标的同时,降低空调系统约 27.9%的能耗。 相似文献
13.
因子分解机对特征各维度之间的一阶线性关系和二阶线性关系建模,在推荐系统中已有较多应用。神经因子分解机模型（NFM） 是因子分解机与神经网络的结合模型,它能捕获特征之间的高阶交互信息,使得模型预测效果更佳。但由于神经因子分解机模型一般都是采用全连接的前馈神经网络,使得整个推荐网络过于复杂,存在过拟合风险。为了降低神经因子分解机模型的整体复杂度,提高推荐模型的泛化性能,提出一种基于交叉网络的因子分解机模型（CFM）,降低模型复杂度,提高模型泛化性能。实验表明,该模型在数据集上的预测准确度为77%左右,相比NFM预测准确度提高了约2%,整体模型泛化性能也有所提高。 相似文献
14.
微博热点话题预测是一类小样本、不确定性的复杂预测问题,传统线性方法不能刻画微博热点话题的变化规律,神经网络存在过拟合、泛化能力不强等缺陷.为了提高微博热点话题的预测精度,提出了一种改进量子粒子群(QPSO)算法优化LSSVM的微博热点话题预测模型(MQPSO-LSSVM).首先采用MQPSO算法优化LSSVM的参数,然后将优化后的LSSVM对微博热点话题变化趋势进行建模,最后选取具体微博热点话题数据进行仿真实验.实验结果表明,MQPSO-LSSVM提高了微博热点话题的预测精度,预测结果具有一定实用价值. 相似文献
15.
鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。 相似文献
16.
针对工业生产过程中的时变性问题,提出贝叶斯网络框架下的自适应质量变量预测建模方法.采用改进的即时学习策略,将数据库分成若干局部数据子集,快速选择与待测样本相似度较高的一组数据作为训练样本,再利用主成分分析对训练样本过程变量进行特征提取,借此作为网络模型输入变量.利用基于改进Figueiredo-Jain算法的EM算法估... 相似文献
17.
为了提高大坝变形分析模型的预测精度并检验模型的泛化能力,研究了大坝变形分析的BP神经网络模型,并基于神经网络BP算法和传统的统计模型建立了大坝变形分析的融合模型．结合陈村大坝多年的变形观测数据,对上述3种模型进行了试算及分析．分析结果表明,统计模型的平均预测精度为±0．477mm．BP神经网络模型的平均预测精度为±0．390mm,融合模型的平均预测精度为±0．318mm,相比统计模型和BP神经网络模型分别提高了33％和18％,且泛化能力较强,具有广泛的适用性． 相似文献
18.
19.
针对唇语识别过程中唇部特征提取和时序关系存在的问题,提出一种卷积神经网络（CNN）和双向长短时记忆网络（Bi-LSTM）相结合的深度学习模型。利用CNN学习唇部特征,并将学习到的唇部特征送入Bi-LSTM进行时序编码,通过Softmax进行分类。建立NUMBER DATASET和PHRACE DATASET两个大型汉语数据集以解决汉语唇语数据缺失问题。将该模型与传统的唇语识别方法在两个数据集上进行实验对比,发现在NUMBER DATASET上识别准确率为81.3%,比传统方法提高了8.1%,在PHRACE DATASET上识别准确率为83.5%,比传统方法提高了9%。实验结果表明该模型能有效提高唇语识别的准确率。 相似文献
20.
研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。 相似文献