论文部分内容阅读
摘要：随着社会经济的不断发展以及互联网络技术的不断进步，网络与信息普及程度不断提高，人们的生活逐渐进入信息化、数据化新时代。在这一时代背景下，计算机人工智能与大数据的应用不仅能够提高人们的生活质量，同时能够很好地解决人工难以解决的难题，本文的基于大数据的神经网络模型在预测中的应用就是很好的佐证，本文在介绍大数据及神经网络的基础上，重点分析神经网络模型如何通过大数据实现对数据的预测。
关键词：人工智能;神经网络;预测;大数据
如今，人工智能已经渗透到人们生活的方方面面，无论是工作、还是学习，亦或是娱乐，总能够发现人工智能的身影。人工智能的成功运用不仅提高了人们的工作效率，同时促进了很多新兴技术领域的发展与进步。
近年来，作为人工智能的一个代表，学术界普遍看好神经网络模型，利用神经网络模型，人们能够实现图像识别、数据分析、智能优化以及数据预测等功能，极大限度地提高了人们工作和学习的效率[1]。
学术界关于神经网络及大数据相关的研究相对较多，重点从故障诊断以及数据预测等方面展开。其中，姜景升等（2016）以BP神经网络为基础，利用轴承故障的大数据，建立轴承故障诊断的神经网络模型，通过对比训练后的模型的理论输出值与实际输出值的对比，验证模型的正确性，最终利用模型推导滚动轴承的故障状态[2];金鑫等（2016）在大规模电网互联的背景下，通过神经网络模型与粒子群优化算法，对短期的电力负荷进行预测，通过对比预测与实际负荷数据，验证了预测的高精度，从而为降低负荷预测时间提高变电站运行稳定性提供保障[3];还有其他学者也分别利用神经网络模型在各自的领域进行数据预测，如刘艳鹏等（2018）利用卷积神经网络与矿产大数据，对矿床寻找矿源进行了预测;王鸿玺等（2017）利用混沌神经网络，对石家庄地区的小时负荷数据进行深度挖掘，以實现对该地区用电负荷的预测。
鉴于神经网络模型利用大数据实现预测的巨大作用，本文将选取采矿、焦炭、农业等三个行业，重点论述基于大数据的神经网络模型在预测中的应用。
1 基于大数据的神经网络模型在矿产预测中的应用
传统的找矿方式主要利用的是数理统计、模糊数学以及经验方法等，这些找矿方式往往存在激发问题、地表问题以及接收问题等，不仅使得矿产的勘察效率大大的降低，同时极易造成人力物力资源的过度浪费，在大数据时代和人工智能的今天，智能数据处理方法完全能够取代传统的找矿方式，提高工作效率与准确性。
以安徽省兆吉口铅锌矿床为例，对该应用进行分析。在本应用中，利用了卷积神经网络，对表示Pb元素在地表含量的分布图进行训练学习，采用Sigmoid激活函数，将目标区域进行网格化，总共划分63个网格，42个网格区域作为训练样本，其余网格作为预测样本，训练集的30%作为验证集，经过1000次的训练后的神经网络模型在本地区铅锌矿预测中的预测准确性为93%，为寻找铅锌矿提供了良好的工具。
2 基于大数据的神经网络模型在焦炭质量预测中的应用
传统的配煤焦炭工业在数据采集和处理方面往往存在不完全、不确定等特性，因此传统的对于焦炭质量的预测工作存在一定发的难度，因此，如何有效的直到焦炭数据的挖掘以及对焦炭质量进行合理的预测成为当前研究的重点，而基于大数据的神经网络模型在焦炭质量预测就能够很好地解决这一问题。
针对配煤炼焦领域实验数据进行分析，在大数据环境下研讨数据的收集整合及清洗，研究各类神经网络算法的理论基础及在配煤炼焦领域应用时可改进的方面。另外，针对传统BP神经网络在焦炭质量预测上易出现过拟合现象，在原有BP神经网络模型的基础之上提出了基于交叉验证的级联BP神经网络焦炭质量预测模型，该模型运用交叉验证的级联思想，经过改进，绝大部分煤炭质量参数的预测误差均在15%以内，大大提高了预测的准确性。
3 基于大数据的神经网络模型在精准施肥中的应用
传统的施肥方式存在施肥频率大、施肥不方便、肥料溶解慢、施肥不均匀、施肥速度难以控制、人工施肥有误差等缺点，而基于农田肥料效应实验大数据的BP神经网络模型的精准施肥预测能够很好地解决上述问题。
以吉林省农安县精准施肥预测为例，在13个试验田分别选取了3414个实验数据，经过多次实验，得出了在土壤种类、作物类型、天气条件、病虫害等因素一致的条件下，氮磷钾肥料是影响产量的最主要因素，因此，选取土壤养分含量作为BP神经网络的输入，实际产量作为输出进行精准施肥预测，最终得出不同施肥方案下的最优施肥方案和产量。
4 结论
在传统的生产中，由于人工因素的存在而导致的生产效率低、制造精度低的问题时常发生，采用神经网络预测模型，能够根据大量的生产实践数据，对规律性进行精准的预测，合理地指导生产与实践，提高了工作效率与准确性，在人类的生产与实践中起到了举足轻重的作用。
参考文献
[1]张倩. 基于智能诊断的人工智能神经网络运用[J]. 科技风， 2019.
[2]姜景升， 崔嘉， 王德吉，等. 基于CEEMD-BP神经网络大数据轴承故障诊断[J]. 设备管理与维修， 2016， 000（009）：100-103.
[3]金鑫， 李龙威， 季佳男， et al. 基于大数据和优化神经网络短期电力负荷预测[J]. 通信学报， 2016（S1）：40-46.
[4]刘艳鹏， 朱立新， 周永章. 卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例[J]. 岩石学报， 2018， 34（11）：53-60.
[5]王鸿玺， 李飞， 李翀，等. 基于大数据分析的混沌神经网络模型在负荷预测中的应用[J]. 电力大数据， 2017（8）.
[6]苑超， 李东明， 李岩. 基于MapReduce的BP神经网络在精准施肥中的应用[J]. 中国农机化学报， 2016， v.37;No.264（02）：191-195.
作者简介：夏鲁宏（1967-）重庆亿睿昆泰数据科技有限公司 总经理
藉贯：四川广安，清华大学ENBA，国家注册信息安全工程师（CISP）
研究方向：大数据及人工智能
关键词：人工智能;神经网络;预测;大数据
如今，人工智能已经渗透到人们生活的方方面面，无论是工作、还是学习，亦或是娱乐，总能够发现人工智能的身影。人工智能的成功运用不仅提高了人们的工作效率，同时促进了很多新兴技术领域的发展与进步。
近年来，作为人工智能的一个代表，学术界普遍看好神经网络模型，利用神经网络模型，人们能够实现图像识别、数据分析、智能优化以及数据预测等功能，极大限度地提高了人们工作和学习的效率[1]。
学术界关于神经网络及大数据相关的研究相对较多，重点从故障诊断以及数据预测等方面展开。其中，姜景升等（2016）以BP神经网络为基础，利用轴承故障的大数据，建立轴承故障诊断的神经网络模型，通过对比训练后的模型的理论输出值与实际输出值的对比，验证模型的正确性，最终利用模型推导滚动轴承的故障状态[2];金鑫等（2016）在大规模电网互联的背景下，通过神经网络模型与粒子群优化算法，对短期的电力负荷进行预测，通过对比预测与实际负荷数据，验证了预测的高精度，从而为降低负荷预测时间提高变电站运行稳定性提供保障[3];还有其他学者也分别利用神经网络模型在各自的领域进行数据预测，如刘艳鹏等（2018）利用卷积神经网络与矿产大数据，对矿床寻找矿源进行了预测;王鸿玺等（2017）利用混沌神经网络，对石家庄地区的小时负荷数据进行深度挖掘，以實现对该地区用电负荷的预测。
鉴于神经网络模型利用大数据实现预测的巨大作用，本文将选取采矿、焦炭、农业等三个行业，重点论述基于大数据的神经网络模型在预测中的应用。
1 基于大数据的神经网络模型在矿产预测中的应用
传统的找矿方式主要利用的是数理统计、模糊数学以及经验方法等，这些找矿方式往往存在激发问题、地表问题以及接收问题等，不仅使得矿产的勘察效率大大的降低，同时极易造成人力物力资源的过度浪费，在大数据时代和人工智能的今天，智能数据处理方法完全能够取代传统的找矿方式，提高工作效率与准确性。
以安徽省兆吉口铅锌矿床为例，对该应用进行分析。在本应用中，利用了卷积神经网络，对表示Pb元素在地表含量的分布图进行训练学习，采用Sigmoid激活函数，将目标区域进行网格化，总共划分63个网格，42个网格区域作为训练样本，其余网格作为预测样本，训练集的30%作为验证集，经过1000次的训练后的神经网络模型在本地区铅锌矿预测中的预测准确性为93%，为寻找铅锌矿提供了良好的工具。
2 基于大数据的神经网络模型在焦炭质量预测中的应用
传统的配煤焦炭工业在数据采集和处理方面往往存在不完全、不确定等特性，因此传统的对于焦炭质量的预测工作存在一定发的难度，因此，如何有效的直到焦炭数据的挖掘以及对焦炭质量进行合理的预测成为当前研究的重点，而基于大数据的神经网络模型在焦炭质量预测就能够很好地解决这一问题。
针对配煤炼焦领域实验数据进行分析，在大数据环境下研讨数据的收集整合及清洗，研究各类神经网络算法的理论基础及在配煤炼焦领域应用时可改进的方面。另外，针对传统BP神经网络在焦炭质量预测上易出现过拟合现象，在原有BP神经网络模型的基础之上提出了基于交叉验证的级联BP神经网络焦炭质量预测模型，该模型运用交叉验证的级联思想，经过改进，绝大部分煤炭质量参数的预测误差均在15%以内，大大提高了预测的准确性。
3 基于大数据的神经网络模型在精准施肥中的应用
传统的施肥方式存在施肥频率大、施肥不方便、肥料溶解慢、施肥不均匀、施肥速度难以控制、人工施肥有误差等缺点，而基于农田肥料效应实验大数据的BP神经网络模型的精准施肥预测能够很好地解决上述问题。
以吉林省农安县精准施肥预测为例，在13个试验田分别选取了3414个实验数据，经过多次实验，得出了在土壤种类、作物类型、天气条件、病虫害等因素一致的条件下，氮磷钾肥料是影响产量的最主要因素，因此，选取土壤养分含量作为BP神经网络的输入，实际产量作为输出进行精准施肥预测，最终得出不同施肥方案下的最优施肥方案和产量。
4 结论
在传统的生产中，由于人工因素的存在而导致的生产效率低、制造精度低的问题时常发生，采用神经网络预测模型，能够根据大量的生产实践数据，对规律性进行精准的预测，合理地指导生产与实践，提高了工作效率与准确性，在人类的生产与实践中起到了举足轻重的作用。
参考文献
[1]张倩. 基于智能诊断的人工智能神经网络运用[J]. 科技风， 2019.
[2]姜景升， 崔嘉， 王德吉，等. 基于CEEMD-BP神经网络大数据轴承故障诊断[J]. 设备管理与维修， 2016， 000（009）：100-103.
[3]金鑫， 李龙威， 季佳男， et al. 基于大数据和优化神经网络短期电力负荷预测[J]. 通信学报， 2016（S1）：40-46.
[4]刘艳鹏， 朱立新， 周永章. 卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例[J]. 岩石学报， 2018， 34（11）：53-60.
[5]王鸿玺， 李飞， 李翀，等. 基于大数据分析的混沌神经网络模型在负荷预测中的应用[J]. 电力大数据， 2017（8）.
[6]苑超， 李东明， 李岩. 基于MapReduce的BP神经网络在精准施肥中的应用[J]. 中国农机化学报， 2016， v.37;No.264（02）：191-195.
作者简介：夏鲁宏（1967-）重庆亿睿昆泰数据科技有限公司 总经理
藉贯：四川广安，清华大学ENBA，国家注册信息安全工程师（CISP）
研究方向：大数据及人工智能