探索Jordan网络应用的优势

时间序列数据使用Jordan网络建立分类模型特别有效。下面列举一些现实世界的例子说明Jordan网络预测分析工具的使用。

（1）风速预测

准确预测沿海地区风速，对于一个大的工业区以及交通和社会海洋活动是非常重要的。例如，操纵风力涡轮机，飞机、轮船的导航。风速预测是确定预期的有用功率输出的依据。Anurag和Deo构建的Jordan网络是为了预测印度沿海地区每日、每周和每月的风速。

从印度气象部门获得的数据覆盖了12年内沿海孟买地区以及印度西海岸。使用三个Jordan网络分别预测每日、每周和每月的风速。

这三个模型的均方误差都小于10%。然而，每日预测比每周的预测更准确；每周的预测比每月的预测更准确。工程师也比较了网络预测和自动回归集成移动平均（ARIMA）时间序列预测模型；他们发现“Jordan网络预测也比传统的时间序列分析方法更准确”。

（2）蛋白质间相互作用分类(www.xing528.com)

蛋白质相互作用是指生物细胞内蛋白质之间的相互作用发生的生化事件。据说，这种交互对理解疾病发病机理和开发新的治疗方法非常重要。有许多不同的方法用来研究蛋白质的相互作用，如从生物化学、量子化学、分子动力学和信号传导等，所有这些信息使得创建大型蛋白质相互作用数据库成为可能。

计算机科学家Dilpreet和Singh应用Jordan网络来分类蛋白质间相互作用。在他们的分析中，使用的样本来自三个现有的数据库，数据库包含了753个正例模式和656个反例模式。使用氨基酸组成的蛋白质作为Jordan网络的输入，分类有相互作用的蛋白质和无相互作用的蛋白质，研究表明分类精度达到97.25%。

（3）西班牙语数字语音识别

神经网络已成功地解决了英语语音识别的难题。Tellez Paola使用Jordan网络研究了西班牙语数字0～9的分类。

数据集为10个演讲中被记录的数字语音，包括3个女人和3个男人的声音。每个人被要求重复每个数字4遍。然后用9个随机初始化的Jordan网络训练，实现对数字分类，结果平均分类精度达到96.1%。