基于RFID标签阵列的睡眠期间呼吸量连续监测系统

睡眠期间连续且准确的呼吸量监测有助于推断用户的睡眠阶段以及提供一些慢性疾病的线索。现有工作主要针对呼吸频率进行感知和监测,缺乏对呼吸量进行连续监测的手段。针对上述问题提出了一种基于商用无线射频识别(RFID)标签的无线感知用户睡眠期间呼吸量的系统——RF-SLEEP。RF-SLEEP通过阅读器连续收集附着在胸部表面的标签阵列返回的相位值及时间戳数据,计算出呼吸引起的胸部不同点的位移量,基于广义回归神经网络(GRNN)构建胸部不同点的位移量与呼吸量之间的关系模型,从而实现对用户睡眠期间呼吸量的评估。RF-SLEEP通过在用户肩膀处附着双参考标签,消除用户睡眠期间翻转身体对胸部位移计算造成的误差。实验结果表明,RFSLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度为92.49%。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

基于PSO-GRNN模型的埋地管道腐蚀剩余寿命预测

目的 构建埋地管道腐蚀深度预测模型,预测腐蚀管道的剩余使用寿命。方法 依据ASME B31G剩余强度评价标准,给出管道的最大允许腐蚀深度计算方法,引入广义回归神经网络（GRNN）,构建埋地管道腐蚀深度预测模型,采用粒子群算法（PSO）优化GRNN的网络参数,结合管道腐蚀发展趋势预测方法,对埋地薄弱管道进行腐蚀剩余寿命预测。以陕西省某埋地输油管道为例,选取8个主要外腐蚀因素,构建外腐蚀指标体系,借助Pycharm编程仿真,结合埋片试验,对该模型预测结果进行验证分析,并预测各腐蚀管段剩余使用寿命。结果 与BP模型相比,PSO-GRNN模型的管道腐蚀深度预测结果最大相对误差控制在13.77%以内,平均相对误差仅为6.63%。寿命预测结果显示,部分管段的剩余使用寿命未能达到其预期服役寿命。结论 所建模型预测性能要明显优于BP模型,预测精度更高,能够较好地预测埋地管道的最大腐蚀深度和未来的腐蚀发展规律,剩余寿命预测结果贴近实际,为管道的维修和更换提供了指导依据,在实际工程中,具有一定的应用价值。     

基于广义回归神经网络的工程公司风险评估

针对工程公司日常管理中由于缺乏风险评估工具,经常造成公司资源的浪费,甚至造成大量损失的现状,结合其行业特点,构建风险评价体系模型。在模型的基础上,提出一种基于广义回归神经网络(GRNN)的工程公司风险评估方法,通过矩阵实验室中的神经网络工具对其进行仿真计算,以某安防系统工程公司的实例证明了其有效性。该研究为同类型公司的风险评估提供了一种有效的管理工具。     

A comparative assessment of predicting CH4 adsorption on different activated carbons using generalized regression neural network (GRNN), and adaptive network-based fuzzy inference system (ANFIS)

The aim of this work is to predict the adsorption of methane on various activated carbon using to intelligent models including Generalized Regression Neural Network (GRNN), and adaptive network-based fuzzy inference system (ANFIS). Methane is the major component of natural gas, coal bed gas, and some exhaust gases of petrochemical or chemical units. Therefore, a fundamental study on the adsorption was encouraged by engineering concerns. In this regards, the precise prediction of CH₄ adsorption is of great interest and importance. The model is developed using a comprehensive database obtained from the literature. The outcomes of the model were compared with the experimental data. The values of the statistical parameters R², RMSE, and AARD% reveal that the ANFIS model is more accurate. Results showed that the developed model accurately predicts CH₄ adsorption on activated carbons with an overall R² and AARD% values of 0.921% and 0.657%, respectively.     

汽车覆盖件拉深过程中的压边力预测

结合数值模拟与人工神经网络技术研究了汽车内覆盖件承载地板在冲压成形中压边力的预测。将板料模型零件导入到Dynaform中进行网格划分并对其拉深过程进行模拟仿真,结合正交试验获取不同参数条件下最佳压边力的数据样本,然后运用Matlab软件中的GRNN神经网络工具箱对数据进行训练学习,采用训练好的神经网络对板料成形过程中的压边力进行预测,获得了板料拉深过程中的压边力变化曲线。通过预测结果和模拟结果对比,预测误差在10%以内。将预测的曲线对零件模拟仿真,结果显示零件最大减薄率在25%以内,并对板料进行实际冲压验证。结果显示成形效果良好,无起皱、破裂缺陷,符合实际生产的要求,说明GRNN神经网络可以用于零件冲压过程中压边力的预测。     

汽车踏板横梁翻边过程中的回弹预测

以汽车踏板横梁为研究对象,结合数值模拟技术与GRNN神经网络对零件翻边过程中的回弹情况进行预测。首先采用Autoform对踏板横梁翻边过程进行模拟,并与相同参数下实际零件回弹角进行对比,验证模拟结果的准确性和可替代性。再通过设计正交试验获取不同参数组合下各检测点的回弹角数据作为样本数据,并在MATLAB中对GRNN神经网络进行训练。为保证预测精度,设置多组光滑因子进行训练,发现光滑因子为0.1时,网络具有最优的逼近性能和预测性能,并作为最终网络模型进行检验。通过预测结果与真实结果进行对比,发现预测误差最大为4.3%,满足生产要求。研究表明,GRNN神经网络对板料翻边回弹预测既具有较高效率,又具有较高的精度。     

基于广义回归神经网络的金属矿山水害危险性预测

水害是金属矿山重大灾害之一,正确预测水害危险性及变化趋势,对矿山安全生产具有重要的指导意义。在分析水害影响因素和广泛参考其他预测模型的基础上,以矿山地质构造、裂隙发育状况、降水量、采空区面积、地下水水位、回采工艺、开采深度、有无预注浆、含水层层数、围岩岩性等10个影响因素作为预测输入,以有水害危险、无水害危险作为预测输出,建立了GRNN预测模型,并应用MATLAB软件编程,对某金属矿山样本进行了训练和预测。研究结果表明,预测结果最大误差仅为7.62%。GRNN模型预测精度高,对金属矿山水害危险性预测和防治具有借鉴意义。     

基于自适应模糊广义回归神经网络的区域火灾数据推理预测

针对基于反向传播(BP)神经网络和经典概率论及其衍生算法进行火灾损失预测时,存在系统结构复杂、依赖不稳定的探测数据、易陷入局部极小值等缺点,提出一种基于自适应模糊广义回归神经网络(GRNN)的区域火灾数据推理预测算法.在网络输入层使用改进模糊C-聚类算法,对初始数据进行权重修正,减少了噪声和孤立点对算法造成的影响,提高了预测值的逼近精度; 引入自适应函数优化GRNN算法,调整迭代收敛的扩展速度、变化步长,找到全局最优解,改善了过早收敛问题,提高了搜索效率.实验结果表明,该算法代入已确定火灾损失数据,解决了依赖不稳定探测数据问题,并且具有良好的泛化能力、非线性逼近能力.     

基于神经网络模型的产品属性情感分析

针对基于词向量的神经网络模型在产品属性情感分析中效果不佳的问题,提出一种集成离散特征和词向量特征的开关递归神经网络模型。首先,通过直接循环图为语句建模,采用开关递归神经网络模型完成产品属性情感分析任务;然后,在开关递归神经网络模型中集成离散特征和词向量特征;最后,分别在流水线、联合、折叠三种任务模型中完成属性提取和情感分析任务。以宏观F1分数作为评估指标,在SemEval-2014的笔记本电脑和餐馆评论数据集上做实验。开关递归神经网络模型的F1分数为：48.21%和62.19%,超过普通递归神经网络模型近1.5个百分点,因而开关递归神经网络能够有效捕获复杂特征,提升产品属性情感分析的效果。而集成离散特征和词向量特征的神经网络模型的F1分数为：49.26%和63.31%,均超过基线结果0.5到1个百分点,表明离散特征和词向量特征互相促进,另一方面,也表明仅仅基于词向量的神经网络模型仍有提升空间。三种任务模型中,流水线模型的F1分数最高,表明应将属性提取和情感分析任务分开完成。