基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

智能组合预测方法及其应用

由于具有能以任意精度逼近任意复杂非线性函数的优良性能,神经网络在灰色系统预测中得到了较大的应用。在已有的研究基础上,针对灰色神经网络进化时容易陷入局部最优,参数修正受阻的问题,建立基于遗传粒子群混合算法优化的新型灰色神经网络模型。首先将灰色神经网络进行数学建模,以便于优化算法的应用;其次,综合遗传算法与粒子群算法的优点,构造一种混合算法,运用混合算法对灰色神经网络进行优化;最后通过日本入华游客数量预测的算例研究,比较新型灰色神经网络与灰色神经网络、单一算法优化的灰色神经网络的预测精度。所得结果表明,混合算法优化的新灰色神经网络具有更好的预测性能,在社会经济领域有着广泛的应用前景。     

基于差异进化算法的人工神经网络快速训练研究

神经网络和以遗传算法为代表的进化算法都是仿效生物处理模式来获得智能信息处理功能的理论,其中神经网络已被广泛应用于智能控制系统优化,信号及信息处理、模式识别等领域.而遗传算法则是模拟生物的进化现象(选择、交叉、变异等),来表现复杂现象的一种概率搜索方法,以达到快速有效地解决各种困难问题.由于神经网络和遗传算法目标相近而方法各异,因此将两种方法相互结合,必能达到取长补短的目的.将近年来提出的遗传算法的一种--差异进化算法DE(Differential Evolution)与原有的LM算法相结合,构造了DE-LM算法,并通过实例验证了它具有收敛速度快和不易陷入局部最小的特点.     

基于神经网络的备件库存风险级别预测

本文提出了一种基于神经网络的备件库存风险级别分类方法,在对备件的供货来源、重要性、易损程度、标准化程度、供货周期等指标进行模糊评价的基础上,建立了多层前向神经网络模型,利用BP训练算法,确定神经网络模型的连接权系数。将某测井服务公司100种备件的历史数据作为样本,进行了BP训练仿真,并利用模型预测了该公司60种备件的库存风险级别,预测结果与实际结果的符合率为84%。     

基于战略转换的企业战略风险预警模型研究

将粗糙集理论与神经网络相结合,构建了基于战略转换的企业战略风险预警模型。该模型首先运用基于信息熵与MDV函数的模糊聚类算法进行连续属性离散化,然后采用粗糙集理论约简出重要指标体系,最后采用BP神经网络进行学习和训练,进而对检验样本的风险等级进行判断。实证分析表明：基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果;添加动量因子的改进BP算法提高了网络学习效率,且该预警模型对检验样本的总体预测精度较高,是一种有效和实用的战略风险预警工具。     

复杂对象系统多目标综合评价的神经网络方法

复杂对象系统多目标综合评价是一个典型的定性与定量相结合的模糊决策问题，本文将神经网络理论应用于复杂对象系统的综合评价，提出了一种基于Ｂ－Ｐ神经网络的复杂对象系统多目标综合评价方法，并对神经网络的结构、神经网络输入指标属性值的量化方法、神经网络学习及其应用神经网络综合评价的计算机实现算法做了讨论。本文最后介绍了该方法在城市发展水平综合评价中的应用实例。     

图像识别技术在车辆识别中的应用

本论文提出了使用基于神经网络的图像识别算法,同时对图像处理中的重要步骤也根据神经网络的特点进行了相应的改进.主要简要介绍了图像识别原理和几种常用的模式识别方法.分析了目前在图像识别中常用的前馈神经网络模型及其算法,将遗传算法与BP网络相结合,有效解决了图像识别中BP算法容易陷入局部极小的不足.并且针对有限图像样本情况,建立了现有信息下可获得最优解的支持向量机模型.研究了多模式分类问题,提出了一种新的多分类策略,并给出了一种动态样本增量训练方法,使SVM能够根据需要随时增加需识别类型.并在最后给出了在实际问题中的应用方法.     

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi-stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.     

基于CW-RNNs网络的手势识别算法

该文在分析表征手势特征和神经网络理论基础上,根据手运动轨迹的连续性规律来研究适用于手势识别的关键技术——基于手势轨迹模型的新型神经网络算法。针对手势识别的模糊性和准确性问题,基于手势局部区域跟踪结果,采用一种新型神经网络算法,实现用于人机交互的动态手势识别。手势识别部分的研究是采用一种新型的循环神经网络(CW-RNNs)对手势运动的轨迹进行识别。根据跟踪部分提取的手指运动轨迹坐标,定义手势模版,采用该方法对手势模版进行学习。首先定义连续动态手势模版,采用时间频率循环神经网络对手势模版进行学习,对每组孤立的动态手势模版进行学习,形成手势识别模型。对影响CW-RNNs模型的因素进行了实验验证和深度分析,通过与多层RNNs、三层RNNs的识别效果进行比较,论证了本文模型对手势轨迹模版识别的优越性。     

基于云模型关联规则的企业转型战略风险预警

针对评价指标数据的特点,构造了一种基于云模型的数值型关联规则挖掘算法,并将其运用于企业转型战略风险预警。首先运用云模型约简评价指标;然后,采用属性空间软划分方法对定量型属性的定义域进行划分,使定量型关联规则挖掘转换为定性关联规则挖掘,此基础上提取规则模版;最后采用有规则约束的Apriori算法挖掘云关联规则,并对检验样本风险等级进行判别。实证分析结果表明,与标准BP神经网络模型相比,该模型是一种更为有效和实用的战略风险预警工具。     

基于结构化工作流网的隐含任务挖掘方法

过程挖掘是一种客观、自动化的过程分析技术,它通过挖掘过程日志来得到业务过程的结构模型,是传统过程分析手段的重要补充.如何正确挖掘包含隐含任务的不完整过程日志,是过程挖掘需要解决的难题之一.现有的一些算法如基因算法、α#算法等解决了部分类型隐含任务的挖掘问题,但仍有许多类型的隐含任务无法被正确挖掘.针对这一问题,本文在α#算法的基础上提出了一种基于结构化工作流网的挖掘算法,该算法能够较为完整地挖掘各类包含隐含任务的结构化工作流网模型.通过理论分析和实验验证,该算法的正确性和有效性得到了证明.     

基于AR12的随机抽样样本选取算法在F1A薄膜蒸发器建模中的应用

本文将ART2聚类算法与随机抽样算法相结合,提出了一种新的样本选取算法,并通过样本空间分布图和原始样本空间分布图的对比,验证了该算法的有效性。最后将该算法应用于PTA薄膜蒸发器的神经网络建模过程。     

基于PSO-SVR模型的能源需求预测

本文将支持向量回归机(support vector regression,SVR)与粒子群算法(Particle Swarm Optimizat ion,PSO)相结合,选取1 985~2008年的能源需求量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的PSO-SVR能源需求预测模型。建立BP神经网络模型,并将两者的预测值进行对比,结果表明,PSO-SVR模型预测精度优于BP神经网络模型。     

基于ART2的随机抽样样本选取算法在PTA薄膜蒸发器建模中的应用

本文将ART2聚类算法与随机抽样算法相结合,提出了一种新的样本选取算法,并通过样本空间分布图和原始样本空间分布图的对比,验证了该算法的有效性.最后将该算法应用于PTA薄膜蒸发器的神经网络建模过程.     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

基于优化回声状态网络的股价预测研究

股票市场是一个充斥着各种噪声的动态非线性系统,能够精确地对其进行预测是一项具有挑战性的任务。本文构建的BCC-ESN模型,是运用细菌群体趋药性算法(BCC)来优化回声状态网络(ESN)的权值结构,在继承ESN优良性质的同时,具有更高的模型预测能力。实验证明,BCC-ESN模型比前馈神经网络具有更好的学习和预测能力。经对上证指数进行短期价格预测,结果与BP网络、Elman网络和ESN网络进行比较,BCC-ESN模型精度明显优于其他三种网络预测。同时,在运算效率上,BCC-ESN模型继承了ESN的运算优势,明显优于其他神经网络预测模型,是一种切实可行、高效的预测算法,尤其在股票时间序列预测中有广泛的实用价值。针对BCC-ESN模型在训练预测中遇到的问题,比如耗费时间过长和过度拟合问题,本文亦提供了简单易行的思路和方法。     

基于神经网络融合技术的BP算法研究

BP神经网络方法数据可并行处理,该方法处理信息能力强,自身具有学习、联想和记忆的能力,避免了传统方法的局限性与专家评价的主观随意性,以及由于数据来源的单一导致的评价模型与评价对象之间不客观的简化;但它也存在网络的训练时间过长、易陷入局部极小值、完全不能训练等缺点.本文提出的神经网络融合技术算法是利用主成分分析法、粒子群算法与BP算法相融合,克服了BP算法的训练时间长、易陷入局部极小值的缺点,并在模型的确定和收敛性上给出了理论证明.     

基于GMM-RBF神经网络的前列腺癌诊断方法

 前列腺癌是近年来发病率上升速度最快的男性癌症,严重威胁着患者的身体健康,准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来,基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点,在提高诊断准确性上显示出极大优势。        针对现有前列腺癌早期诊断方法准确性不高的问题,提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法--GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练,使模型避免陷入局部最优,之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验,将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比,并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。        研究结果表明,与改进前的神经网络模型相比,GMM-RBF神经网络模型收敛速度更快、初始准确度更高;与其它机器学习算法相比,GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。        GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升,能够得到更为可靠的前列腺癌诊断结果,为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持,该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。     

基于单位BP神经网络算法的数据挖掘技术在电力客户信用等级评价中的应用研究

电力客户信用管理和信用评价,已经成为电力企业的一种经营工具和手段.本文结合数据挖掘技术在信用评价中的应用优势,以数据挖掘的通用模型CRISP-DM为基础,建立了电力客户信用评价的过程标准,构建了电力客户信用评价指标体系,应用单位BP神经网络算法构造了电力客户信用模型,并对该模型进行了实例分析,从而将电力客户信用分为5个等级.