OpenSNN推文：神经网络(Neural Network)相关论文最新推荐（九月份）(二)

论文链接：oalib
简介：
在列举和阐述应急通信网性能评价指标的基础上，本文首先利用熵权系数法确定了各指标权重，进而通过模糊综合评判法确定了评判权值，最后通过构造人工神经网络模型对应急通信网性能进行了评估。结果表明，利用人工神经网络进行评估的结果与目标值是一致的。
Keywords: BP神经网络，应急通信网，性能评价，熵权系数法

论文链接：oalib
简介：
In order to achieve accurate image matching in robot recognition navigation, a new method for detecting matching feature points using a new deep neural network as a detector is proposed. Build a deep neural network model based on the data set to implement the mapping from the image to the feature point probability map. Then extract the position of the key feature points through non-maximum suppression of the obtained feature map. Finally, match the detected key feature points accurately to find the most matching image. Experiments show that the method of key feature points detected by deep neural network can make the matching rate high, and further ex-periments have found that it can also achieve accurate image correction. Compared with the traditional method, the method of deep neural network as a detector has significant advantages.
Keywords: Deep Neural Network, Image Matching, Detection Feature Points, Key Points

论文链接：oalib
简介：
药物的研发是一种投入成本高、耗费时间长且成功率较低的一种研究,为了在药物开发阶段可以快速获得潜在的化合物,针对性地提出一种基于深度神经网络的药物蛋白虚拟筛选的方法。首先从给定数据集中学习如何提取相关特征,获取配体原子和残基类型进行特征分析,快速识别活性分子和非活性分子,然后使用降维方式和K折验证等方法对药物筛选的模型进行处理,最后通过分析富集因子和AUC值验证诱饵化合物与分子蛋白的互相作用验证模型的可靠程度,实验结果表明所提出的筛选方法具有很好的可行性和有效性,有效地加快了虚拟筛选过程。
Keywords: 深度神经网络,虚拟筛选,特征提取

论文链接：Hans汉斯
简介：
由于大气环境的复杂性和多变性，用传统方法预测空气质量指数精度较低，本文首先对空气质量指数和主要污染物进行相关性分析，再采用基于TensorFlow的长短期记忆神经网络(LSTM)模型，对大连市的空气质量指数进行预测，并进行误差分析。实验结果表明，与支持向量机模型和BP神经网络模型相比，LSTM神经网络模型预测空气质量指数的精度较高。

论文链接：Hans汉斯
简介：
气温变化是由多种非线性因素引起的，传统的数值气温预测模式由于其繁琐的步骤和较低的预测精度已无法满足人们的需求。鉴于BP神经网络对非线性的拟合有很强的映射能力，因此考虑用BP神经网络对气温进行预测，而滨海地区影响气温变化的因素更加复杂，因此在BP神经网络中加入自适应遗传算子对其阈值、权值以及收敛速度进行优化以此提高气温预测的精度。为进一步提高模型预测精度以及数据处理效率，文章初始对输入数据做了降维筛选主成分，归一化等一系列优化处理，在此基础上建立了BP神经网络以及加入自适应算子的BP神经网络两种气温预测模型。之后用MATLAB软件对山东省日照市的气温相关数据进行仿真，对比BP和GA-BP模型的预测结果，改进后模型预测的准确度更高，以此证明了优化算法的有效性。

论文链接：oalib
简介：
在本文中，讨论了基于卷积神经网络(CNN)对87位女性子宫内膜基因表达样本的分类问题。首先，删除掉缺失数据对应的基因，计算信噪比来过滤不相关的基因。然后，将每个指标相应的数据放入CNN中求出分类准确率。之后对每个指标进行归一化处理，同样通过CNN得到4个指标组合的分类准确率。最后，应用下三角矩阵和上三角零元素处理来改进初始化卷积核。后者有效地提高了训练集以及测试集的分类准确率。