CN108873706B - 基于深度神经网络的圈闭评价智能专家推荐方法 - Google Patents
基于深度神经网络的圈闭评价智能专家推荐方法 Download PDFInfo
- Publication number
- CN108873706B CN108873706B CN201810855374.XA CN201810855374A CN108873706B CN 108873706 B CN108873706 B CN 108873706B CN 201810855374 A CN201810855374 A CN 201810855374A CN 108873706 B CN108873706 B CN 108873706B
- Authority
- CN
- China
- Prior art keywords
- neural network
- evaluation
- deep neural
- trap
- expert
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度神经网络的圈闭评价智能专家推荐方法,该基于深度神经网络的圈闭评价智能专家推荐方法包括:步骤1,进行基于深度神经网络的圈闭评价数据表示;步骤2,进行专家评价的因子描述;步骤3,进行基于深度神经网络的圈闭评价算法设计。该基于深度神经网络的圈闭评价智能专家推荐方法充分利用了数据量较大时,直接的统计显然无法表达深层的变化的特性,在很大程度上提高了遴选专家的准确率,可以开展进行圈闭评价实践中的专家推荐工作。
Description
技术领域
本发明涉及计算机图形学、生物科学、神经科学、心理学和地质学的交叉领域,特别是涉及到一种基于深度神经网络的圈闭评价智能专家推荐方法。
背景技术
在圈闭评价过程中,与会专家的遴选工作对于圈闭评价的准确性具有重要意义。
专家预测的准确度和他对这个圈闭的认识程度有关,这个程度和几个主观因素有关,专家的知识水平、认真程度、评价时的状态、对圈闭资料的熟悉程度和业务分析能力等等。按照深度神经网络的思维将这几个因素进行量化学习可用来表示参与圈闭评价专家的权重。
根据现有专家历史打分和专家历史评价准确度数据,分析逻辑关系可得到如下结论。从逻辑上,现有的数据同专家权重没有直接的逻辑推理关系,因此可以使用统计的方法在现有数据上去估计专家权重。但是,值得深思的一点是:它们之间存在一个连接点,就是前面说的几个决定性的主观因素。如果从历史评价打分去回溯、去估计这几个主观因素的分布情况,然后由估计的分布情况去表征权重,这个问题就可用深度神经网络来解决。这些主观因素在深度神经网络领域里称为隐变量。
隐变量存在的原因是因为这几个因素处于专家推荐的中间过程。因为因素的个数、每个因素具体的影响力、因素之间的关系等等方面都不易量化的特性,如果将其明确量化的话,得到结果往往事与愿违。隐变量可以以数据作为驱动的特性,让数据决定中间的隐变量个数以及关系。如果我们想知道每个隐变量的意义,可使用一些可视化的算法,对整个自适应过程进行分析,这也是为什么叫隐变量的原因。具体的问题是,既然主观因素的个数、意义与关系都不好确定,那么干脆让数据说话,让数据通过模型来自适应的决定。通过实验验证:当数据量较小的时候,我们的方法没有直接统计好,但当数据量较大时,直接的统计显然无法表达深层的变化,而我们的模型和方法随着数据量的增大,效果渐渐提升。
1962年Hubel和Wiesel通过对猫视觉皮层细胞的研究,提出了感受野(receptivefield)的概念,1984年日本学者Fukushima基于感受野概念提出的神经认知机(neocognitron)可以看作是卷积神经网络的第一个实现网络,也是感受野概念在人工神经网络领域的首次应用。在其后的研究应用中,Fukushima将神经认知机主要用于手写数字的识别。随后,国内外的研究人员提出多种卷积神经网络形式,在邮政编码识别和人脸识别方面得到了大规模的应用。Trotin等人提出了动态构造神经认知机并自动降低闭值的方法,初始态的神经认知机各层的神经元数目设为零,然后会对于给定的应用找到合适的网络规模,也通过修改阈值以使神经认知机成为最优的分类器。Lovell应用Hildebrandt的训练方法却没有成功。事实上,Hildebrandt没有考虑信息在网络传播中会逐层丢失。Van Ooyen和Niehuis为提高神经认知机的区别能力引入抑制了神经元对重复激励特征的激励。
上述都是神经认知机的发展过程,而卷积神经网络可看作是神经认知机的推广形式,神经认知机是卷积神经网络的一个特例。但随着深度学习的快速发展,其内涵早已超过了传统的多层神经网络。将深度学习应用到智能抉择的过程中,需要将建立的可靠预测模型与实际问题相结合,进行决策。为此我们发明了一种新的基于深度神经网络的圈闭评价智能专家推荐方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种能在保障完成推荐功能的前提下,结构简单,复杂度低,算法效率高,适合在圈闭评价的群体决策系统中应用的基于深度神经网络的圈闭评价智能专家推荐方法。
本发明的目的可通过如下技术措施来实现:基于深度神经网络的圈闭评价智能专家推荐方法,该基于深度神经网络的圈闭评价智能专家推荐方法包括:步骤1,进行基于深度神经网络的圈闭评价数据表示;步骤2,进行专家评价的因子描述;步骤3,进行基于深度神经网络的圈闭评价算法设计。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,分析专家的历史评价和分析结果的特性,选用合适的量化方法来对历史数据的形态进行描述。
在步骤1中,评价圈闭数据的步骤包括:
S11:收集不同圈闭评价过程中专家历史打分和专家历史评价准确度;
S12:对数据进行分析,将圈闭评价数据表示为如下组合:专家编号、圈闭编码、专家历史打分、专家历史评价准确度、圈闭类型;
S13:对数据进行量化调整,从而滤除部分噪声点,得到拟合结果。
在步骤2中,在完成圈闭评价数据表示之后,研究涉及专家评价的相关因子,在利用深度神经网络的圈闭评价对专家进行推荐时,研究其中对应隐变量的选择策略以及参数的合适调整范围。
在步骤2中,从分析环境素质、分析组织自身因素、分析决策问题的性质和分析决策主体的因素四个方面分析影响圈闭评价过程中专家决策的因子。
在步骤2中,环境因素包括环境的稳定性、市场结构和买卖双方在市场的地位;组织自身因素包括组织文化、组织的信息化程度和组织对环境应变模式;决策问题的性质包括:问题的紧迫性和问题的重要性;决策主体即为人,决策主体的因素包括:个人对待风险的态度、个人能力和个人价值观。
在步骤3中,在完成数据表示和因子描述后,通过深度神经网络获得对专家遴选的表示。
步骤3包括:
S31:设计深度神经网络的输入端;
S32:设计深度神经网络的中间层;
S33:设计深度神经网络的输出端;
S34:设计隐变量;
S35:设计深度神经网络。
在步骤S31中,输入端按照数据组合,将数据量化并作归一化处理。
在步骤S32中,中间层采用卷积神经网络模型设计,共包含12层,其中前9层是卷积层,后面3层全连接的网络;包括预训练和微调两个过程;其中,预训练的过程即数据训练过程,参数设置如下:卷积过程为9层,每层包含50个节点,层与层之间采用非全连接方式,第10、11层之间为全连接;其中每个节点代表专家评价的因子;微调过程通过反向传播算法计算并传递误差,迭代次数通过两个条件进行控制,误差率<0.5或者迭代次数<=500次终止。
在步骤S33中,输出端是由分类器组成的输出决策层,输出节点的数目等于该测试集中专家的数目。
在步骤S34中,隐变量指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标,是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征,结果是记录特征之间的联系,这种联系实际上并不是由记录特征本身的任何因果关系产生的。
在步骤S35中,卷积神经网络本身采用不同的神经元和学习规则的组合形式,包括三种方法:
(1)采用多层感知机神经元和反向传播学习规则的组合,常用于邮政编码识别中;
(2)归一化卷积神经网络,然后神经元计算出用输入信号将权值和归一化处理后的值,再单独训练每个隐层得到权值,最后获胜的神经元输出活性;
(3)综合前两种方法的优势,即采用麦卡洛克-皮特斯神经元代替复杂的基于神经认知机的神经元;在该方法中,网络的隐层和神经认知机一样,一层一层训练,但回避了耗时的误差反向传播算法。
本发明中的基于深度神经网络的圈闭评价智能专家推荐方法,既考虑了专家的知识水平、对圈闭资料的熟悉程度,又考虑了专家的认真程度、评价时的状态和业务分析能力等等,结合深度神经网络的思想,给出了一种新的、基于深度神经网络的油气田圈闭评价智能专家推荐方法。在具体专家推荐阶段,首先根据专家的历史评价(即打分)和钻后分析结果,对其进行分析,找到它们之间存在一个连接点(专家的知识水平、对圈闭资料的熟悉程度、认真程度、评价时的状态和业务分析能力等等),从历史评价打分去回溯、去估计这几个主观因素的分布情况,然后由估计的分布情况去表征权重。该智能专家推荐方法充分利用了数据量较大时,直接的统计显然无法表达深层的变化的特性,在很大程度上提高了遴选专家的准确率,可以开展进行圈闭评价实践中的专家推荐工作。
附图说明
图1为本发明的基于深度神经网络的圈闭评价智能专家推荐方法的一具体实施例的流程图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
如图1所示,图1为本发明的基于深度神经网络的圈闭评价智能专家推荐方法的流程图。
S1:基于深度神经网络的圈闭评价数据表示,分析专家的历史评价(即打分)和钻后分析结果的特性,选用合适的量化方法来对历史数据的形态进行描述。
评价圈闭数据的步骤包括:
S11:收集不同圈闭评价过程中专家历史打分和专家历史评价准确度。
S12:对数据进行分析,将圈闭评价数据表示为如下组合{专家编号、圈闭编码、专家历史打分、专家历史评价准确度、圈闭类型}。
S13:对数据进行量化调整,从而滤除部分噪声点,得到较好的拟合结果。
S2:专家评价的因子描述,在完成圈闭评价数据表示之后,研究了涉及专家评价的相关因子;最后在利用深度神经网络的圈闭评价对专家进行推荐时,研究其中对应隐变量的选择策略以及参数的合适调整范围。由于每个人信息处理能力的不同,所以在面对同样的圈闭评价过程时会产生不同的影响。
本发明从以下四个方面分析影响圈闭评价过程中专家决策的因子:
S21:分析环境素质:环境因素包括环境的稳定性、市场结构和买卖双方在市场的地位。
S22:分析组织自身因素:组织自身因素包括组织文化、组织的信息化程度和组织对环境应变模式。
S23:分析决策问题的性质:决策问题的性质包括:问题的紧迫性和问题的重要性。
S24:分析决策主体的因素:决策主体即为人,决策主体的因素包括:个人对待风险的态度、个人能力和个人价值观。
S3:深度神经网络的圈闭评价算法,在完成数据表示和因子描述后,通过深度神经网络获得对专家遴选的表示。该智能专家推荐方法充分利用了圈闭评价数据的特性,在很大程度上提高了遴选准确率,可以开展进行圈闭评价实践中的专家推荐工作。
由于深度神经网络由输入端、中间层和输出端三部分组成。本发明在每部分的设计步骤如下所述:
S31:设计输入端,输入端按照步骤s1所述的数据组合,将数据量化并作归一化处理。
S32:设计中间层,中间层采用卷积神经网络模型设计,共包含12层,其中前9层是卷积层,后面3层全连接的网络。包括预训练和微调两个过程。其中,预训练的过程即数据训练过程,参数设置如下:卷积过程为9层,每层包含50个节点,层与层之间采用非全连接方式,第10、11层之间为全连接。其中每个节点代表S2所述的专家评价的因子。微调过程通过反向传播算法计算并传递误差,迭代次数通过两个条件进行控制(误差率<0.5或者迭代次数<=500次)终止。
S33:设计输出端,输出端是由分类器组成的输出决策层,输出节点的数目等于该测试集中专家的数目。
S34:设计隐变量:指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标,是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征。结果是记录特征之间的联系,这种联系实际上并不是由记录特征本身的任何因果关系产生的。
S35:设计深度神经网络:卷积神经网络本身可采用不同的神经元和学习规则的组合形式。主要有三种方法:
(1)采用MLP神经元和BP学习规则的组合,常用语邮政编码识别中。(2)归一化卷积神经网络,然后神经元计算出用输入信号将权值和归一化处理后的值,再单独训练每个隐层得到权值,最后获胜的神经元输出活性,这个方法在处理二值数字图像时比较可行,但没有在大数据库中得到验证。
(3)综合前两种方法的优势,即采用麦卡洛克-皮特斯神经元代替复杂的基于神经认知机的神经元。在该方法中,网络的隐层和神经认知机一样,是一层一层训练的,但是回避了耗时的误差反向传播算法。这种网络被称为改进的神经认知机。随后神经认知机和改进的神经认知机作为卷积神经网路的例子,广泛用于各种识别任务中,比如大数据库的人脸识别和数字识别。
本发明能在保障完成推荐功能的前提下,结构简单,复杂度低,算法效率高,适合在圈闭评价的群体决策系统中应用。
上述方式中未述及的技术内容,采取或借鉴已有技术即可实现。
需要说明的是,在本说明书的教导下,本领域技术人员还可以作出这样或那样的容易变化方式,诸如等同方式,或明显变形方式。上述的变化方式均应在本发明的保护范围之内。
Claims (12)
1.基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,该基于深度神经网络的圈闭评价智能专家推荐方法包括:
步骤1,进行基于深度神经网络的圈闭评价数据表示;
步骤2,进行专家评价的因子描述;
步骤3,进行基于深度神经网络的圈闭评价算法设计;
在步骤2中,从分析环境素质、分析组织自身因素、分析决策问题的性质和分析决策主体的因素四个方面分析影响圈闭评价过程中专家决策的因子。
2.根据权利要求1所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤1中,分析专家的历史评价和分析结果的特性,利用现有的量化方法来对历史数据的形态进行描述。
3.根据权利要求1所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤1中,圈闭评价数据表示的步骤包括:
S11:收集不同圈闭评价过程中专家历史打分和专家历史评价准确度;
S12:对数据进行分析,将圈闭评价数据表示为如下组合:专家编号、圈闭编码、专家历史打分、专家历史评价准确度、圈闭类型;
S13:对数据进行量化调整,从而滤除部分噪声点,得到拟合结果。
4.根据权利要求1所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤2中,在完成圈闭评价数据表示之后,研究涉及专家评价的关键因子,在利用深度神经网络的圈闭评价对专家进行推荐时,研究其中对应隐变量的选择策略以及参数的合适调整范围。
5.根据权利要求1所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤2中,环境因素包括环境的稳定性、市场结构和买卖双方在市场的地位;组织自身因素包括组织文化、组织的信息化程度和组织对环境应变模式;决策问题的性质包括:问题的紧迫性和问题的重要性;决策主体即为人,决策主体的因素包括:个人对待风险的态度、个人能力和个人价值观。
6.根据权利要求1所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤3中,在完成数据表示和因子描述后,通过深度神经网络获得对专家遴选的表示。
7.根据权利要求1所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,步骤3包括:
S31:设计深度神经网络的输入端;
S32:设计深度神经网络的中间层;
S33:设计深度神经网络的输出端;
S34:设计隐变量;
S35:设计深度神经网络。
8.根据权利要求7所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤S31中,输入端按照S12所述的数据组合,将数据量化并作归一化处理。
9.根据权利要求7所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤S32中,中间层采用卷积神经网络模型设计,共包含12层,其中前9层是卷积层,后面3层全连接的网络;包括预训练和微调两个过程;其中,预训练的过程即数据训练过程,参数设置如下:卷积过程为9层,每层包含50个节点,层与层之间采用非全连接方式,第10、11层之间为全连接;其中每个节点代表专家评价的因子;微调过程通过反向传播算法计算并传递误差,迭代次数通过两个条件进行控制,误差率<0.5或者迭代次数<=500次终止。
10.根据权利要求7所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤S33中,输出端是由分类器组成的输出决策层,输出节点的数目等于该测试集中专家的数目。
11.根据权利要求7所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤S34中,隐变量指不能被直接精确观测或虽能被观测但尚需通过其它方法加以综合的指标,是在记录单元之间变化且其变化影响记录特征的任何未记录到的特征,结果是记录特征之间的联系,这种联系实际上并不是由记录特征本身的任何因果关系产生的。
12.根据权利要求7所述的基于深度神经网络的圈闭评价智能专家推荐方法,其特征在于,在步骤S35中,卷积神经网络本身采用不同的神经元和学习规则的组合形式,包括三种方法:
(1)采用多层感知机神经元和反向传播学习规则的组合,用于邮政编码识别中;
(2)归一化卷积神经网络,然后神经元计算出用输入信号将权值和归一化处理后的值,再单独训练每个隐层得到权值,最后获胜的神经元输出活性;
(3)综合前两种方法的优势,即采用麦卡洛克-皮特斯神经元代替复杂的基于神经认知机的神经元;在该方法中,网络的隐层和神经认知机一样,一层一层训练,但回避了耗时的误差反向传播算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810855374.XA CN108873706B (zh) | 2018-07-30 | 2018-07-30 | 基于深度神经网络的圈闭评价智能专家推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810855374.XA CN108873706B (zh) | 2018-07-30 | 2018-07-30 | 基于深度神经网络的圈闭评价智能专家推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108873706A CN108873706A (zh) | 2018-11-23 |
CN108873706B true CN108873706B (zh) | 2022-04-15 |
Family
ID=64306688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810855374.XA Active CN108873706B (zh) | 2018-07-30 | 2018-07-30 | 基于深度神经网络的圈闭评价智能专家推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108873706B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537544A (zh) * | 2020-04-18 | 2021-10-22 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的圈闭有效性评价方法 |
CN112365159A (zh) * | 2020-11-11 | 2021-02-12 | 福建亿榕信息技术有限公司 | 一种基于深度神经网络的后备干部推荐方法及系统 |
CN112905891B (zh) * | 2021-03-05 | 2021-12-10 | 中国科学院计算机网络信息中心 | 基于图神经网络的科研知识图谱人才推荐方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086583A (ja) * | 2002-08-27 | 2004-03-18 | Masanori Minami | 専門家推奨システム及び専門家推奨装置 |
CN102479202A (zh) * | 2010-11-26 | 2012-05-30 | 卓望数码技术(深圳)有限公司 | 一种基于领域专家的推荐系统 |
CN103631859A (zh) * | 2013-10-24 | 2014-03-12 | 杭州电子科技大学 | 一种面向科技项目的评审专家智能推荐方法 |
CN104361102A (zh) * | 2014-11-24 | 2015-02-18 | 清华大学 | 一种基于群组匹配的专家推荐方法及系统 |
CN105787639A (zh) * | 2016-02-03 | 2016-07-20 | 北京云太科技有限公司 | 基于人工智能的人才大数据量化精确匹配方法和装置 |
-
2018
- 2018-07-30 CN CN201810855374.XA patent/CN108873706B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086583A (ja) * | 2002-08-27 | 2004-03-18 | Masanori Minami | 専門家推奨システム及び専門家推奨装置 |
CN102479202A (zh) * | 2010-11-26 | 2012-05-30 | 卓望数码技术(深圳)有限公司 | 一种基于领域专家的推荐系统 |
CN103631859A (zh) * | 2013-10-24 | 2014-03-12 | 杭州电子科技大学 | 一种面向科技项目的评审专家智能推荐方法 |
CN104361102A (zh) * | 2014-11-24 | 2015-02-18 | 清华大学 | 一种基于群组匹配的专家推荐方法及系统 |
CN105787639A (zh) * | 2016-02-03 | 2016-07-20 | 北京云太科技有限公司 | 基于人工智能的人才大数据量化精确匹配方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108873706A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108095716B (zh) | 一种基于置信规则库和深度神经网络的心电信号检测方法 | |
US5398300A (en) | Neural network having expert system functionality | |
CN108873706B (zh) | 基于深度神经网络的圈闭评价智能专家推荐方法 | |
Huang et al. | Applying fuzzy neural network to estimate software development effort | |
US11568020B1 (en) | System and methods for network sensitivity analysis | |
CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
CN101310294A (zh) | 神经网络的训练方法 | |
CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
US20220114455A1 (en) | Pruning and/or quantizing machine learning predictors | |
CN110837523A (zh) | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 | |
CN110909928A (zh) | 能源负荷短期预测方法、装置、计算机设备及存储介质 | |
CN111489259A (zh) | 一种基于深度学习的股票市场风险预测智能实现方法 | |
US6317730B1 (en) | Method for optimizing a set of fuzzy rules using a computer | |
Hart et al. | Connectionist models in medicine: an investigation of their potential | |
Yollanda et al. | Nonlinear Modeling of IHSG with Artificial intelligence | |
Björklund et al. | Artificial neural networks for financial time series prediction and portfolio optimization | |
CN113361590A (zh) | 基于多元时间序列的特征融合方法 | |
Dadios et al. | Fuzzy-neuro model for intelligent credit risk management | |
Carpenter et al. | ART neural networks for medical data analysis and fast distributed learning | |
CN113392958B (zh) | 一种模糊神经网络fnn的参数优化及应用方法与系统 | |
Rivero et al. | Using genetic algorithms for automatic recurrent ANN development: an application to EEG signal classification | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
WO2020186453A1 (zh) | 基于广度学习算法实现智能体的通用逻辑推理方法和系统 | |
Razak et al. | Modelling Hierarchical Fuzzy Systems for Mango Grading via FuzzyR Toolkit | |
Aliyu et al. | Classifying auto-MPG data set using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |