基于果蝇优化广义回归神经网络的径流预测

针对水文径流的不确定性特点,提出一种新的径流预测模型。该模型在广义回归神经网络的基础上,采用了果蝇优化算法。通过该模型对四川省万源市后河径流进行了预测,结果显示改进后的模型预测精度明显提高。     

基于广义回归神经网络的职业性向分析

对在校大学生进行霍兰德职业性向测评,利用模糊聚类对测评数据进行初步归类,应用广义回归神经网络（GRNN）迭代训练建立分类模型,将主客观测评数据对应的分类结果进行比对获取吻合率,为大学生的就业指导提供参考.     

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.     

基于广义回归神经网络与遗传算法的煤灰熔点优化

考虑固态和液态排渣锅炉对煤灰熔点的不同要求，采用广义回归神经网络建立了煤灰软化温
度模型。神经网络的输入变量为7个，即煤灰中SiO2、Al2O3、Fe2O3、CaO、MgO、TiO2、Na2O & K2O的质
量分数。以煤灰软化温度作为目标函数，采用遗传算法寻优计算获得当煤灰软化温度最高和最低时煤灰中
氧化物的组成。广义回归神经网络仅需30个训练样本，最大和平均相对误差分别为21.8%和1.55%。优化结
果表明，掺烧高钙煤或者向燃煤中添加石灰石等富含Ca的原料可以降低煤灰熔点；而增加Al2O3的质量分
数可以提高煤灰熔点。     

土壤属性空间预测的广义回归神经网络方法研究

土壤属性的空间变异性是农业和环保决策的重要依据,研究如何利用有限的样本数据来获得更为详尽的土壤属性空间分布信息对于科学决策具有重要意义。提出了一种基于广义回归神经网络模型(GRNN)的土壤属性空间预测方法,并将其与Kriging方法进行了比较。结果表明,GRNN方法能较好地刻画土壤属性的空间分布特征,其计算方法简单,预测精度较高;在给定的样本数据条件下,GRNN方法的预测精度总体上要优于Kriging方法,表明GRNN方法在土壤属性空间预测中的应用是有效可行的。     

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...     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

广义回归神经网络的改进及在交通预测中的应用

本研究基于k近邻的方法通过网络性能评价指标来对平滑因子进行选择确定。通过k近邻法找出使得网络性能评价最好的平滑因子,不再仅依赖于一个均方误差数值,而根据均方误差组的排序来选择最优的平滑因子。该算法能够在保持较好的预测效果的前提下解决因数据波动性大而最终得不到最优平滑因子的难题。通过预测交通数据的实验验证了算法的有效性。结果表明通过k近邻方法得到的最优平滑因子会使网络预测误差降至最小。     

基于广义回归网络的传感器非线性校正

介绍了传感器非线性校正原理及广义回归网络的结构及算法,提出了一种基于广义回归网络的传感器系统非线性校正方法,并以NTC热敏电阻为例进行校正试验仿真。试验表明：该方法网络结构简单,训练速度快,拟合精度高,能够满足实用要求。     

广义回归神经网络技术在新油田快速评价中的应用

新油田的动态和静态资料较少,油藏认识程度低,开发指标预测难度大。提出运用广义回归神经网络技术进行非线性优化回归,通过对比相似油田开发模式和开发效果,快速评价及预测新油田的开发方式和开采指标。以处于前期研究阶段的某油田为例,运用此方法进行指标预测,计算结果符合实际情况。     

Application of generalized regression neural network on fast 3D reconstruction

Over the past decade,robots have been appearingin the operating rooms.With the robotic system assis-tance,operations have become lesser invasion.Roboticsurgery requires the use of computer imaging to diag-nose and perform the operation.A three dimension(3…     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

Risk based security assessment of power system using generalized regression neural network with feature extraction

A comprehensive risk based security assessment which includes low voltage, line overload and voltage collapse was presented using a relatively new neural network technique called as the generalized regression neural network (GRNN) with incorporation of feature extraction method using principle component analysis. In the risk based security assessment formulation, the failure rate associated to weather condition of each line was used to compute the probability of line outage for a given weather condition and the extent of security violation was represented by a severity function. For low voltage and line overload, continuous severity function was considered due to its ability to zoom in into the effect of near violating contingency. New severity function for voltage collapse using the voltage collapse prediction index was proposed. To reduce the computational burden, a new contingency screening method was proposed using the risk factor so as to select the critical line outages. The risk based security assessment method using GRNN was implemented on a large scale 87-bus power system and the results show that the risk prediction results obtained using GRNN with the incorporation of principal component analysis give better performance in terms of accuracy.     

基于BP神经网络和回归预测的供热调节可靠性

为了满足供热系统运行调节的需要,提出对系统供水温度和供水流量进行预测研究。选取某实际供热系统某时间段的200组运行参数作为样本,利用matlab7.0进行编程,分别采用反向传播(back propagation,BP)神经网络和回归分析方法进行预测和分析。前者确定合理的BP网络结构,编程并采用traingdm函数进行训练;后者拟合出置信水平高的回归方程。最后,将两种方法的预测值和实际值进行比较,并分析误差。结果表明:二者预测值均可靠,但BP神经网络得到的预测结果更好,误差更小。     

竞争型径向基过程神经网络时序分类器

针对时序分类问题,提出一种竞争型径向基过程神经网络时序分类器.给出了复合竞争过程神经元单元的定义,引入复合竞争过程神经元隐层,利用竞争型径向基过程神经网络输入为时变函数的特点,由复合竞争过程神经元单元完成对过程式输入信息的模式匹配和时空聚合运算,给出了具体学习算法,省去了输出层线性连接权的计算,简化了网络结构和训练过程,提高了网络泛化能力.最后以UCI数据集多变量时序分类问题验证了分类器的有效性.     

基于BP神经网络和多元线性回归的辛烷值预测

为降低硫、烯烃含量及辛烷值损失,保证汽油清洁化生产,基于S Zorb装置运行积累的数据,首先利用Lasso算法初步筛选建模变量,并基于BP神经网络计算指标因子贡献度,进一步筛选出15个主要变量用于建立辛烷值损失预测模型;其次对比分析4种模型,得出BP神经网络预测精度更优,更适合作为辛烷值损失预测模型,并经过10折交叉验证得到均方误差(MSE)均值为0.027 193,R²均值为0.904 87,验证了该模型的可靠性;最后在控制油品硫质量分数不大于5μg/g的前提下,结合多元线性回归对主要变量进行优化调控.结果表明,需同时改变多个变量才能使辛烷值损失降幅大于30%,多元线性回归模型预测精度较好,能按照一定比例对主要变量进行正反向调控.本文还可视化展示了优化过程中辛烷值和硫含量的变化轨迹.     

硬件实现基于BP神经网络设计的带阻FIR滤波器

针对带阻FIR滤波器传统设计方法的不足和缺陷,在改进BP神经网络设计带阻FIR滤波器方法的基础上,提出了BP神经网络设计FIR滤波器的硬件实现方法.通过神经网络训练使得实际滤波器的幅度响应逼近理想滤波器的幅度响应,训练得到带阻滤波器系数,再利用数字信号处理芯片(DSP),设计适当的FIR滤波器结构以及硬件结构,从硬件上实现带阻FIR滤波器.试验结果显示,用该方法设计的带阻FIR滤波器克服了传统方法的主要缺陷,具有良好的幅频特性及衰耗特性,并且边界频率控制精确.     

Introducing atmospheric angular momentum into prediction of length of day change by generalized regression neural network model

The general regression neural network（GRNN） model was proposed to model and predict the length of day（LOD） change, which has very complicated time-varying characteristics. Meanwhile, considering that the axial atmospheric angular momentum（AAM） function is tightly correlated with the LOD changes, it was introduced into the GRNN prediction model to further improve the accuracy of prediction. Experiments with the observational data of LOD changes show that the prediction accuracy of the GRNN model is 6.1% higher than that of BP network, and after introducing AAM function, the improvement of prediction accuracy further increases to 14.7%. The results show that the GRNN with AAM function is an effective prediction method for LOD changes.     

混合神经网络建模方法在青霉素发酵过程中的应用

本文采用广义混合神经网络建模方法对青霉素发酵过程进行建模,根据青霉素发酵过程可在线测量过程参数二氧化碳生成率CER,实现青霉素发酵过程生物质浓度的测量。由仿真实验结果可以看出,该方法建模精度高、泛化能力强。