基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

用于电磁兼容预测的自适应泛化回归神经网络

为了更好地对电磁兼容进行预测,提出一种自适应泛化回归神经网络（AGRNN）,与传统泛化回归神经网络（GRNN）区别在于：将光滑因子设为最小数据距离的1/2,将偏置设为光滑因子的倒数。对简单一维数据的测试表明,无论数据如何分布,AGRNN的拟合曲线均较GRNN更加接近样本点、且更平滑。以平行线间电磁耦合干扰为具体算例,证明AGRNN对训练数据与测试数据的预测优于改进BP算法,且网络不需要训练。     

基于GRNN的货运量预测

采用广义回归神经网络(GRNN)对影响货运量的因素进行分析和处理,对网络进行训练和拟合,用实际数据进行模型检验。在计算过程中,光滑因子Spread对预测效果起着重要作用,Spread值越小,网络对样本的逼近性也就越强;Spread值越大,网络对样本数据的逼近过程也就越平滑,但误差也相应增大。为更好的选取最佳Spread值,文中采用GRNN参数来优化参数,以期达到更高的预测精度。     

修正型果蝇算法优化GRNN网络的尾矿库安全预测

针对尾矿库事故具有随机波动性和非线性的特点,提出采用修正型果蝇优化算法优化广义回归神经网络的尾矿库安全评价模型( MFOA-GRNN)。该方法利用修正型果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,同时应用去相关性分析选取尾矿库安全评价指标,实现尾矿库的安全预测。以辽宁本溪南芬尾矿库为研究实例进行拟合预测,实验结果表明,将MFOA方法与GRNN网络有机结合,有利于平滑因子σ的选择,相较于FOA-GRNN模型70%的预测准确度,采用修正型果蝇算法优化的GRNN模型预测准确度高达100%,预测精度更高,适用性更强。     

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.     

GRNN神经网络在信息分析预测中的应用

用广义回归网络模型建立糖尿病和高脂血症预测网络模型,结果准确率高,达到了预测的目的.避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点.经过对比,GRNN网络具有更好的拟合精度和预报精度.实例分析证明,广义回归网络模型可以应用于疾病预测数据处理工作,并可以取得更优的分析结果.     

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GA-GRNN的RFID室内定位算法

针对基于测距模型的定位算法易受环境干扰、测距误差大的问题,提出一种基于遗传算法-广义回归神经网络(GA-GRNN)优化的指纹定位算法。利用GRNN建立节点定位模型,通过GA确定最优平滑参数,将阅读器与标签间的信号强度值作为神经网络的输入,进而得到输出节点的坐标。仿真结果表明,与GRNN算法、BP神经网络算法、FOA-GRNN算法相比,该算法的定位精度较高,泛化能力较强。     

基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究

根据高光谱遥感获得的冬小麦冠层数据,把由逐步回归方法和基于遗传算法(GA)的广义回归神经网络(GRNN)筛选到的光谱参数作为网络输入,冠层叶绿素含量作为网络输出,采用线性逐步回归方法、反向传播神经网络(BPNN)和GRNN来构建反演模型,模拟结果表明,GRNN和BPNN的预测精度要高于逐步回归方法,其RMSE分别为0.36 mg/g、0.52 mg/g和0.98 mg/g。由于GRNN可应用于小样本问题的学习,比BPNN对叶绿素具有更好的预测和泛化能力。     

基于广义回归神经网络的幼蛏毒性模型的建立与应用

为建立芳烃化合物物化性质与缢蛏幼体（幼蛏）毒性间的非线性关系,本研究以实验获取的12种芳烃化合物对幼蛏96 h的毒性数据为基础,采用密度泛函理论（DFT）中的B3LYP方法,在6-311G^**基组上全优化计算12种芳烃化合物结构参数和热力学参数,采用广义回归神经网络（GRNN）和3层误差反向传播（BP）神经网络方法对实验数据进行回归拟合,模拟芳烃化合物的结构参数和热力学参数对幼蛏急性毒性的非线性关系。结果表明,GRNN的泛化结果和实测值的误差小于BP神经网络,预测准确性优于BP神经网络。t检验结果揭示建立的GRNN模型是可信的。相关性验证表明,GRNN模型具有良好的拟合度,在样本数据较少时也能很好的表达芳烃化合物对幼蛏急性毒性的非线性关系。利用GRNN模型预测未知芳烃化合物的实验结果,为芳烃化合物对幼蛏急性毒性关系的分析提供科学依据。     

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CVFOA-GRNN的飞机液压系统的故障诊断研究

针对飞机液压系统故障具有随机波动性和非线性的特点,基于仿真获取故障和正常数据建立液压系统故障诊断模型.因果蝇优化算法(FOA)寻优易陷入局部最优,改进果蝇优化算法的初始值散列方式和寻优步长,构建混沌变步长果蝇优化算法.通过改进的果蝇优化算法优化广义回归神经网络(GRNN),提高GRNN的非线性学习能力,最终构建CVFOA-GRNN (chaotic variable step size fruit fly optimization algorithm GRNN)模型.实验表明相比FOA-GRNN、GRNN和BP模型,本文模型在性能上更稳定、收敛更快,应用于液压系统故障诊断准确度更高,具有实用价值.     

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.     

基于遗传算法的BOD神经网络软测量

针对污水处理过程中关键水质参数无法在线监测的问题,提出基于遗传算法和BP神经网络相结合的污水水质软测量方法,该方法采用遗传算法优化神经网络结构和权、阈值分布,再用BP算法对神经网络进行训练,得到最优的建模网络.仿真结果表明该方法可以避免单独使用BP网络容易陷入局部最小的问题,并能加快全局收敛速度,对水质参数BOD(生化需氧量)预测实时性好、稳定性高、精度高,可用于污水水质的在线预测.     

基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。     

人工神经网络在舌诊近红外光谱中的应用研究

为了能客观地反映中医舌诊所蕴涵的病理信息,首次采用近红外光谱和神经网络对疾病进行诊断。分别采用了BP网络、广义回归神经网络(GRNN)、主成分分析和广义回归神经网络(PCA-GRNN)结合的三种模型在舌诊光谱法中的分析预测,首先对三种建模方法进行了分析,再用采集的健康人和糖尿病患者舌诊光谱数据进行校正模型的建立,两类舌诊光谱样本各39例,共计78例样本,在神经网络学习中,将其分成训练集样本60例和预测集样本18例,分别利用所建的三种模型对舌诊光谱样本进行训练和预测。实验结果是三种模型中PCA-GRNN相结合的方法平均绝对误差最小为13.2%、训练时间最短为0.072255s,以相对偏差在0.5以内为正确的情况下,其正确率为100%。说明用PCA-GRNN模型可以应用于舌诊光谱法的分析,并取得较好的分析结果,这对中医舌诊的客观化起到了一定的推动作用。     

基于不同调整目标的旋翼动平衡调整研究

采用广义回归神经网络(GRNN)建立旋翼调整空间和直升机响应空间的映射关系,利用仿真程序生成的数据对GRNN网络进行训练和测试.然后结合粒子群-遗传(PSO-GA)算法对旋翼调整参数寻优.并对寻三种优化目标(基于桨尖轨迹、基于机体1/rev振动、基于桨尖轨迹和机体1/rev振动)的效果进行了比较,结果表明:调整算法可有...     

基于模拟退火优化BP神经网络的PH值预测

为自动准确测定水质p H值,采用大量的具有代表性的p H值检测数据为样本,提出了一种基于模拟退火优化BP神经网络的p H值预测方法。利用模拟退火算法优化BP网络的权值,调整优化样本的选取和隐层神经元数,训练BP神经网络预测模型得到最优解。由测试样本对网络进行了预测试验,并与非线性回归的预测结果进行了对比。结果表明,该方法对水质p H值预测具有较好的非线性拟合能力和更高的预测准确性。     

基于广义回归神经网络的传感器非线性误差校正

介绍了径向基函数网络的函数逼近原理和方法,提出了一种基于广义回归神经网络(GRNN)的传感器非线性误差校正方法。通过Matlab的Network Toolbox(神经网络工具箱),GRNN训练程序实现了输出特性曲线逼近。仿真分析表明:GRNN能够很好地满足传感器非线性拟合的要求,网络结构简单,收敛速度快。     

热电偶RBF神经网络模型分布密度范围研究

本文提出的利用径向基神经网络（RBFNN）或广义回归神经网络（GRNN）建立热电偶特性模型的方法，解决了BP神经网络热电偶模型精度不高、重复训练时输出结果发生变化。有时出现奇异结果、不稳定等问题。模型算法简单，在一定参数范围内精度高，稳定性好，容易编程实现和便于实际应用。通过网络训练、仿真和误差分析，对RBFNN和GRNN模型参数及其适用范围进行了比较研究．找到了镍铬一康铜热电偶-270—1000℃模型和镍铬一镍硅热电偶0—1370℃模型的适宜的分布密度参数范围。