基于广义回归神经网络的时间序列预测研究

介绍了广义回归神经网络的基本理论,提出了应用BIC准则确定输入神经元数目的方法．将其应用于大型旋转机械振动状态时间序列的单步和多步预测,与传统的采用误差反向传播学习算法的三层前馈感知器网络(BP神经网络)的预测结果进行对比。结果表明,该网络的预测性能优于后者,即使样本数据稀少,也能获得满意的预测结果。     

基于广义回归神经网络的弹丸落点预报方法

为快速精确地预报弹丸落点,提出了基于一种广义回归神经网络的弹丸落点预报方法。首先,建立了 GRNN 网络落点预报模型;其次,采用粒子群算法对预报模型中的光滑因子进行了优化,得到了最佳的 GRNN 网络的落点预报模型;最后,对该预报模型进行数值仿真。结果表明,该方法预报射程的最大误差不超过40 m,横偏误差不超过0.2 m;且预报落点的平均时间为6.645 ms,与数值积分法相比,减少了1300.623 ms。因此,该方法快速精确地预报弹丸落点是有效可行的,可作为工程实际应用的理论参考。     

基于温度检测和神经网络的空调负荷预测

本文从分析空调系统运行历史数据出发,结合空调系统工作的环境参数影响,提出一种基于温度检测和神经网络的负荷预测方法.实验表明这种方法可以比较有效地预测空调系统的运行负荷.     

基于BP神经网络的磨削温度预测

磨削温度是评价磨削过程的一个重要指标,利用BP神经网络良好的非线性映射功能,以磨削用量(砂轮线速度、工作太速度和磨削深度)为输入,以磨削温度为输出,建立了磨削温度的BP神经网络预测模型。并通过仿真验证了模型的正确性,为磨削温度的预测提供了一个简单可行的方法。     

基于广义回归神经网络的COD在线检测方法研究

采用化学分析法检测污水中COD值的现有技术,检测过程复杂、测取速度慢,难以实现在线检测。根据紫外光谱对有机污染物的敏感特性,结合神经网络对非线性模型的良好辨识能力,研究出一种COD快速检测的方法。采用多波长在线扫描技术获取被测污水COD的光谱数据,通过特征提取简化样本数据,运用广义回归神经网络(GRNN)建立COD值预测模型。采用多种建模方法对具有不同COD值的水样光谱数据进行分析比较结果表明:GRNN比BP网络和多元线性回归方法建模具有更好的相关性、更强的泛化能力和更高的检测精度。     

基于RBF神经网络的锅炉管壁温度预测研究

电厂锅炉的壁温超温直接影响到机组的安全及稳定运行。本文基于RBF神经网络的方法,在对锅炉壁温的各种计算方法分析研究基础之上,建立RBF神经网络,对锅炉壁温进行预测,从而降低了锅炉管壁超温情况的发生,延长锅炉的使用寿命。     

基于神经网络的非线性系统约束预测控制

利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的基于神经网络模型的约束广义预测控制算法。该算法将非线性搜索转化为只对当前控制增量的约束,避免了非线性优化求解,并不需要很多的计算量。文中给出了仿真结果。     

应用广义回归神经网络重建点云曲面

针对现有曲面重建神经网络算法误差大的缺点,并根据广义回归神经网络解决函数逼近问题的特点,提出了一种针对点云曲面重构的广义回归神经网络,并编制Matlab程序对点云曲面做了仿真试验；仿真结果表明：该模型逼近曲面误差精度达到网络设计要求的10~(-4)mm,网络学习速度快,重建曲面光顺．     

基于神经网络的回归分析及其在磨削力预测中的应用

在磨削领域，磨削力数字模型是利用概率统计中的回归分析和方差分析进行多因素试验数据处理而建立的经验方式，该公式建立的正确与否直接影响磨削力的计算。本文介绍了基于神经网络一元回归和多元回归分析方法，并分别以正弦函数及磨削力公式为例，与传统的回归分析方法进行了比较。说明基于神经网络的回归分析在回归精度上优于优统的回归分析方法。在对磨削力进行预测时有其实用价值。     

非线性广义预测控制算法及其仿真研究

为了实现对非线性广义预测控制算法的仿真研究,采用神经网络建立非线性预测模型,在其工作点附近线性化,并对线性化模型进行广义预测控制,利用单片输出BP网络所辨识的非线性模型进行分析,提出了一种基于非线性广义预测前馈补偿控制律的补偿算法,改善了线性化所带来的模型失配误差.最后通过Matlab进行了仿真.仿真结果验证了算法的有效性.     

基于神经网络对出塔水温的预测

为了解决电厂利用其他方法(如迭代法)计算出塔水温时,可能遇到多解或者不收敛的问题,可以利用基于神经网络的特点来解决这一问题。针对出塔水温的特点,应用神经网络网络工具箱,来预测在运行中,各种环境和温度下的出塔水温,从而给电厂吹灰系统提供科学的、有实际意义的指导数据。应用结果表明:所建的模型能够有效地预测出塔水温。     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

Artificial neural network and regression models for performance prediction of abrasive waterjet in rock cutting

An experimental study is carried out for modeling the rock cutting performance of abrasive waterjet. Kerf angle (KA) is considered as a performance criteria and modeled using artificial neural network (ANN) and regression analysis based on operating variables. Three operating variables, including traverse speed, standoff distance, and abrasive mass flow rate, are studied for obtaining different results for the KA. Data belonging to the trials are used for construction of ANN and regression models. The developed models are then tested using a test data set which is not utilized during construction of models. Additionally, the regression model is validated using various statistical approaches. The results of regression analysis are also used to determine the significant operating variables affecting the KA. Furthermore, the performances of derived models are compared for showing the accuracy levels in prediction of the KA. As a result, it is concluded that both ANN and regression models can give adequate prediction for the KA with an acceptable accuracy level. The compared results reveal also that the corresponding ANN model is more reliable than the regression model. On the other hand, the standoff distance and traverse speed are statistically determined as dominant operating variables on the KA, respectively.     

基于神经网络的电火花线切割机床可靠性预计

针对电火花线切割机床可靠性数据较少、传统可靠性预计方法无法进行可靠性预计或预计误差较大的问题,提出了基于神经网络进行电火花线切割机床可靠性预计的方法。将可靠度与对应的时间序列相结合,采用时间序列法对其进行统计分析,然后应用神经网络向外推测,从而得出电火花线切割机床可靠度的预计结果。通过实例证明,应用该方法对电火花线切割机床可靠度预计结果的最大误差为0．0082,远远高于其它方法的预计精度。     

基于极端梯度提升回归模型的电梯钢丝绳磨损预测方法

目前对电梯钢丝绳磨损量预测的研究还存在不足,针对这一问题,采用基于极端梯度提升(XGBoost)算法的机器学习方法,对电梯钢丝绳磨损率的预测进行了理论分析、数据采集和实验测试研究.首先,在目标损失函数中增加了额外的正则化项,并使用了贝叶斯超参数优化,提出了优化后的算法BO-XGBoost;然后,用自制的电梯钢丝绳疲劳试...     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

基于模糊神经网络和遗传算法的智能控制器

PID控制算法简单、鲁棒性强,但其参数整定过程繁琐,整定时需要控制对象的精确数学模型,而且整定往往是针对某一种具体工况进行的,缺乏自学习和自适应能力.模糊神经网络则兼备了模糊逻辑和神经网络的优点,具有函数逼近功能,具有较强的自适应、自学习能力、容错能力和泛化能力.借助于遗传算法对全局性参数进行优化设计,借助于BP算法对局部性参数进行优化,将模糊神经网络和遗传算法引入PID控制参数的整定过程,构造出一种基于模糊神经网络和遗传算法的智能PID控制器.     

广义回归神经网络在汽车换档机械手运动轨迹测量中的应用

针对换档机械手机构特性,设计了广义回归神经网络(GRNN)模型,输入层为两结点输入,即角位移坐标值α、β输出层为两结点输出,分别对应空间坐标值x,y,网络中间层的神经元传递函数采用径向基元萌数,输出层的神经元传递甬数采用线性元函数,对于光滑因子在[0.05,0.1]间取值,进行对比分析,最终选定光滑凶子取0.05.以标定数据中的一部分作为样本对上述神经网络进行训练、仿真,并预测另一部分数据,经过对结果的误差分析和与BP神经网络作比较,验证了本网络模型的有效性和精确性.与BP网络相比,其算法易于实现、结构简单、便于编程、收敛较快,可成功应用于本机器人系统中.     

基于神经网络的电动汽车造型意象预测模型

为使电动汽车造型设计更符合目标用户认知,提升电动汽车设计评选中对于造型意象的预测能力,降低电动汽车开发风险等问题,提出一种基于神经网络的电动汽车造型意象预测模型.该模型运用统计学方法,结合神经网络对电动汽车造型特征和感性意象隐性关联进行研究.利用多维尺度分析和聚类分析获取代表性样本,通过造型特征解构,采用层次分析法计算...