疾病费用预测的建模分析

果肉自溶是影响龙眼采后果实贮运、货架寿命和贮藏品质的重要因素。本文综述了龙眼果肉自溶过程的组织结构变化、生理生化变化及微生物侵染与自溶的关系、果肉自溶相关的分子生物学等的研究进展,探讨龙眼果肉自溶的机理和常用的保鲜技术,并提出未来研究的方向,以期对龙眼果实采后贮运保鲜提供参考。     

浅论新型控制策略及其在机械工程中的应用

从工程应用角度出发，新型控制策略主要包括；自适应控制，变结构控制，预测控制，鲁棒控制，模糊控制，专家控制，神经网络控制以及遗传算法等，这些控制策略相互之间以及与各种传统控制策略之间相互渗透，交叉和结合，又形成各式各样的复合控制策略，本文简要介绍专家控制，预测控制，鲁棒控制，模糊控制，神经网络控制及其在机械工程中的应用现状，为进一步提高机械控制水平提供借鉴。     

基于LSTM的活立木茎干水分缺失数据填补方法

【目的】研究植物茎体水分数据,针对相同数据段上的缺失数据,对比不同数据填补方法,验证LSTM模型填补茎干水分数据的有效性及准确性。【方法】选取2017年6月份栽种在北京市海淀区的紫薇树茎体水分完整数据,人工删去部分数据作为缺失数据,分别使用插值方法、RNN神经网络、LSTM神经网络对缺失部分进行填补,填补结果与原始数据比对并分析结果。基于神经网络预测值误差随预测时刻推后而增大的误差分布情况,本文提出了在神经网络预测值基础上加入对数据后期处理的方法:从缺失数据的正向和反向进行预测,将2个方向的预测值各自乘以一组按照预测时刻递减的权重值并相加,结合2个预测方向的优势,进一步提高预测准确度。【结果】3种方法中,RNN与LSTM神经网络方法较传统的插值方法优势明显:插值方法准确度在缺失值增多时迅速下降;神经网络方法下降速度较慢。当填补值与真实值误差在2%以内作为准确时,插值方法的填补准确率不足50%,RNN方法达到50%且不足60%,LSTM方法达到80%以上;当填补值与真实值误差在4%以内作为准确时,插值方法填补准确率为60%,RNN方法准确度最高达到90%,LSTM方法准确率在95%以上。在此基础上加入权重处理,对LSTM预测结果处理后误差在2%以内准确率达到97%,误差在3%以内准确率达到100%。选取一组测试数据代入模型,预测结果比训练数据预测结果精度有所下降,但双向预测方式优势更加明显。【结论】采用基于LSTM模型的双向综合预测法,可显著减小长期预测中的累计误差对预测结果的影响,提升了预测数据的准确度。与其他两类数据填补方法相比,基于LSTM神经网络的数据填补方法在长期缺失的时间序列数据填补上有较大优势。     

时滞recurrent神经网络模型的全局渐近稳定性

讨论了时滞recurrent神经网络模型的全局渐近稳定性,通过构造适当的Lyapuov函数,利用线性矩阵不等式,给出了一类常时滞recurrent神经网络的新的充分条件,所获的稳定性条件是时滞相关的,稳定性判别条件更宽松.最后通过一个实例说明方法的可行性.     

IWSF-FA模袋混凝土抗压强度、孔隙结构和物质组成

为优化模袋混凝土衬砌性能,合理利用当地粉煤灰和废弃硅粉代替部分水泥制备模袋混凝土衬砌.通过抗压强度试验、固体紫外试验、核磁共振和热重试验研究双掺粉煤灰-工业废弃硅粉替代适量水泥后对模袋混凝土抗压特性、内部孔隙结构和水化物质组成的影响.结果表明：合理双掺工业废弃硅粉和粉煤灰(如FA15S4)可以提高模袋混凝土的抗压强度;紫外吸收光谱表明其水化产物C-S-H和CH组成优于其他组别;核磁共振T₂谱分布呈现“三峰结构”,左峰信号幅度最高,双掺工业废弃硅粉-粉煤灰有利于改善其内部孔隙结构.并且双掺工业废弃硅粉和粉煤灰后,热学性质良好.建立了基于BP神经网络理论的模袋混凝土早期抗压强度预测模型,预测结果与试验测试值的最大相对误差为2.7%.研究结果可为工业废弃硅粉和粉煤灰混凝土在水工衬砌工程中的应用提供参考依据.     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%;外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。     

基于遗传神经网络的农作物秸秆板材优化设计

利用弱碱对农作物稻秸进行表面化学处理后,通过热压方式压制阻燃秸秆人造板,研究异氰酸酯、脲醛树脂胶和FRW（fire retardant of wood）阻燃剂的加入量对农作物稻秆板材力学性能和阻燃性能的影响。研究中采用正交试验和神经网络构建工艺和性能之间的非线性映射模型,再利用遗传算法对神经网络模型的权值和阈值进行优化,然后利用训练好的模型和设定的板材性能对工艺参数进行优化设计。通过验证性试验发现网络模型优化的工艺参数配比为异氰酸酯、脲醛树脂、FRW阻燃剂的加入量分别为1.926%、2.40%和15.381%,采用优化的工艺生产的板材性能和实际值之间的静曲强度、内结合强度和热释放速率峰值与目标值的误差分别为11.7%、20%和8%,相比于没有优化的工艺,其误差分别减小了35.3%、17.5%和39%。     

基于BP神经网络的反应堆控制对象智能辨识研究

反应堆控制对象具有非线性和多变量耦合的特点,为了优化控制效果,首要任务是建立较为精确的对象模型.神经网络作为近几年较为前沿的智能算法,对非线性系统的辨识展现了明显的优越性.BP神经网络是一种多层前馈神经网络,文章基于高功率区小范围变负荷的反应堆运行数据,采用BP神经网络进行数据的训练,对训练好的网络进行测试,仿真结果验...