广义回归神经网络在乙肝发病数时间序列预测中的应用

利用2005年至2011年中国内地法定报告的乙肝发病数资料分别建立广义回归神经网络模型以及传统的BP神经网络模型,探讨广义回归神经网络在乙肝发病预测中的实用价值。结果显示,广义回归神经网络拟合及预测结果的平均绝对误差,平均相对误差以及均方误差均小于BP神经网络。该结果提示,广义回归神经网络在乙肝发病数预测中具有较好的应用价值。     

基于广义回归神经网络的赤潮预警

探讨了广义回归神经网络的原理和相关算法,将广义回归神经网络应用于赤潮预警,并以米氏凯伦藻为例进行了实验.与目前使用较为广泛的BP神经网络进行比较,结果表明,广义回归神经网络的预警效果要优于BP网络,具有较高的实用价值.     

广义回归神经网络在非线性系统建模中的应用

广义回归神经网络具有设计简单、收敛快等优势,因此在复杂非线性系统建模中得到了广泛应用;在简要介绍了广义回归神经网络的结构和算法的基础上,基于广义回归神经网络和均匀设计理论,提出了一种新的非线性系统稳健建模方法,并给出了仿真算例;仿真结果表明,用文中提出的方法建立非线性系统预测模型,具有预测结果稳定、模型稳健性好等优点.     

基于GRNN的冰蓄冷空调逐时冷负荷预测

冷负荷动态预测对冰蓄冷空调最优化控制来说是不可或缺的.建立了基于广义回归神经网络(GRNN)和遗传算法(GA)的逐时冷负荷预测模型,建模时以前一日已知的24小时室外干球温度为输入,以次日逐时冷负荷为输出.为提高预测精度及改善鲁棒性,以均方差(MSE)最小构造适应度函数,应用遗传算法寻优广义回归神经网络的平滑因子.通过预测负荷与实际负荷的比较分析验证了模型的可靠性和鲁棒性.     

基于灰色神经网络的污水处理厂水质预测研究

针对中小型污水处理厂出水监测设备长期监测精度不稳定的实际情况,利用灰色理论和广义回归神经网络建立了灰色神经网络模型,根据采集到的污水处理厂进水参数对出水参数进行预测,并对灰色神经网络模型和广义灰色神经网络模型的预测结果进行了对比,对比结果表明:这种灰色神经网络模型的精度明显优于广义神经网络模型,适合应用。     

基于广义回归神经网络的壁画修复研究

提出使用广义回归神经网络进行敦煌壁画的数字化修复保护研究。通过各向异性扩散去除待修复壁画图像的噪声,使用形态学膨胀算子提取待修复区域的边界像素点,利用与待修复区域边界邻域像素相似的样本像素块作为广义回归神经网络的输入训练样本,并对样本块像素值采用之字形扫描输入到广义回归神经网络。同时使用自适应的平滑参数,最后获得近似的广义回归神经网络修复模型,使用该模型预测待修复区域的像素信息。实验表明,该方法对壁画的数字化修复有一定的效果。     

基于GA的GRNN高光谱遥感反演冬小麦叶片氮含量模型的建立与验证

基于人工神经网络理论,针对高光谱遥感中数据冗余问题,本文建立了基于遗传算法(GA)的广义回归神经网络(GRNN)模型,利用回归分析问题中参数筛选方法,对表征冬小麦叶片全氮的光谱参数进行了筛选,并和线性回归方法对比,线性回归方法的均方根误差(RMSEP):在冬小麦叶片氮含量为34.0g kg-1~62.5g kg-1预测范围内,逐步回归模型为14.4g kg-1,后向选择为11.8g kg-1,而广义回归神经网络为3.40g kg-1。说明神经网络方法所筛选到的光谱参数更能反映小麦叶片全氮含量,且神经网络模型预测精度高。     

DE-ELM在水煤气组分浓度软测量建模中的应用

水煤气组分(H2、CO、N2、CO2、O2)浓度是合成氨煤制气最关键的工艺参数之一,其与生产过程安全、稳定和成本控制密切相关。由于实时在线测量设备成本极高、维护困难、技术难度大,一般企业仍采用人工分析化验法。针对人工分析化验的方法造成的测量数据准确度差、滞后时间长、人为影响因素大,不利于煤制气生产过程的操控等问题,提出利用差分进化算法优化极限学习机(DE-ELM)神经网络系统,建立水煤气组分浓度的软测量模型,测量水煤气组分各浓度。将改进的方法与逆向神经网络(BP)、广义回归神经网络(GRNN)、极限学习机(ELM)的水煤气组分浓度软测量模型进行对比分析。对比结果显示,基于DE-ELM的水煤气组分浓度软测量模型精度更高、泛化性能更好,所测数据与实际生产数据吻合度更高,能更好地满足合成氨造气炉生产过程的实时调控要求。     

基于神经网络的项目参数估计方法

针对题库建设中项目参数估计的实际问题,提出了一种全新的基于神经网络的参数估计方法;并以二值记分的3PLM为项目反应理论模型,以广义回归神经网络为网络模型,根据Monte Cado实验法进行了模拟实验研究,最后将神经网络方法与传统的数理统计估计方法进行了比较.结果表明,在小样本测验情况下,神经网络方法具有一定的优势,尤其是当去掉对项目参数的先验概率分布的限制时,神经网络方法的优势更加明显,说明本文提出的方法具有一定的价值. ,     

基于混合改进GSO与GRNN并行集成学习模型

针对萤火虫群优化算法(GSO)不稳定、收敛速度较慢与收敛精度较低等问题和广义回归神经网络(GRNN)的网络结构导致预测误差的特性,提出基于混合改进萤火虫群算法与广义回归神经网络并行集成学习模型,应用于雾霾预测.首先构建融合多种搜索策略的混合改进萤火虫群优化算法(HIGSO),并使用标准测试函数验证算法性能.然后结合HIGSO与引入扰动因子的GRNN模型,建立并行集成学习模型,并通过UCI标准数据集验证模型的有效性与可行性.最后将模型应用于北京、上海和广州地区的雾霾预测,进一步验证模型在雾霾预测中的性能.