基于GRNN的砂土液化危害等级评价模型研究

影响砂土地震液化的因素复杂且具有随机性和不确定性.神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题.在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型.然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比.结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法.     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

瓦斯涌出量的人工神经网络预测的研究

基于反向传播神经网络、径向基函数神经网络和广义回归神经网络对采煤工作面瓦斯涌出量进行预测,比较和分析了瓦斯涌出量的预测值和实测值,并选定精度评价体系对预测结果进行评定。结果表明:反向传播神经网络、广义回归神经网络和径向基函数神经网络都能够较好的预测瓦斯涌出量,其中径向基函数神经网络的预测更精准。径向基函数神经网络的后验差检验比值c=0.07,小误差概率P=1.0,预测误差精度达到1级。     

基于GRNN的车内噪声品质预测

以8辆不同类型轿车的4种不同车速匀速行驶时采集到的32个车内噪声样本为研究对象,以响度、尖锐度、粗糙度和抖动度4项心理声学客观参量作为输入,以主观评价团对车内噪声的舒适度打分作为输出,分别使用广义回归神经网络、BP神经网络和多元线性回归分析建立车内噪声品质预测模型并对声品质进行预测。三种方法的预测结果表明:广义回归神经网络相对于其他两种方法具有更高的准确度,相对预测误差为-7%～7%,较多元线性回归分析能更准确地描述客观评价参量与主观舒适度之间的非线性关系,并且较BP神经网络具有更高的准确度及稳定性。     

应力状态下混凝土碳化深度的神经网络预测

为计算应力状态下预应力混凝土在一定条件下的碳化深度,将混凝土应力水平取为影响碳化速度的参数.在已有试验结果的基础上,分别建立了预应力混凝土碳化深度实用计算模型,以及BP网络、径向基函数(RBF)网络和广义回归(GRNN)网络的三个神经网络预测模型,并通过实例将碳化深度试验值、实用公式计算值及神经网络预测值进行了比较分析.结果表明:考虑混凝土应力水平对碳化深度的影响是合理的,试验回归得到的实用碳化模型计算误差在9%以内;同时,所建立的BP、RBF以及GRNN网络模型均具有较高的计算精度以及良好的泛化能力,仿真和预测误差基本上在5%和4%以内,均低于实用计算模型的误差值.由此可见,所建神经网络模型的仿真及预测结果是理想的,可同时考虑各种影响因素组合、行之有效的混凝土碳化深度预测方法.     

基于神经网络的广义预测控制综述

概括叙述了广义预测控制的发展现状,对具有误差校正的预测控制方法进行了概括,介绍了与神经网络相结合的非线性系统的预测控制方法,并在此基础上讨论了神经网络非线性预测控制中存在的问题及进一步研究的方向。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

基于广义回归神经网络的交通流预测模型

将广义神经网络技术引入到交通流量的长期预测中,介绍了广义神经网络模型的理论基础和网络结构,建立了天津市某路口交通流量的数学模型,并通过调查数据对交通流进行了预测,测试结果表明,该方法有一定的适用性.     

基于人工神经网络的销售预测方法初探

提出了一种新的销售量预测方法－神经网络方法，以我国电视机销售量为实际预测对象，运用神经网络方法对其进行试验预测，并和常规的线性回归方法进行了 比较，结果表明神经网络方法具有较高的精确度和较好的预测能力。     

基于LSTM与牛顿迭代的两轴系统轮廓误差控制

针对轮廓误差影响运动系统精度的问题,提出结合长短期记忆神经网络(LSTM)和牛顿迭代法对轮廓误差进行预测、通过转换任务坐标系对轮廓误差进行补偿的方法.在运动平台上提取特征轮廓与数据,将牛顿迭代法应用于对轮廓误差的计算,通过计算出的轮廓误差对优化后的LSTM神经网络进行训练,建立更准确的轮廓误差预测模型.通过转换任务坐标系,将预测的轮廓误差作为前馈补偿到参考轮廓中,提高轮廓控制性能.通过试验对比PID、迭代法和神经网络法,利用随机NRBUS轨迹验证泛化性,表明提出的方法能够有效地预测并控制轮廓误差,在精密运动控制领域有良好的应用前景.