基于广义线性反演的流量矩阵估计算法

针对源—目的（OD）流量估计解的不稳定性和求解方法的复杂性,将广义线性反演应用于大尺度网络流量矩阵估计,降低求解方法的复杂性;采用奇异值分解（SVD）获得阻尼系数,提高了求解的稳定性;采用历史均值和链路测量数据相结合决定反演初值,降低多解性。Abilene网络的实际数据仿真结果表明,提出的算法能够在保证较高实时性的前提下,提高计算精度。     

一种基于广义回归神经网络的超声波流量传感器系数求解方法

为了解决和提高不稳定流场条件下的超声波流量传感器的测量精度问题,文章将广义回归神经网络引入到流量传感器系数获取当中,并通过建立流量传感器系数模型和样本输入训练,获得了较为准确的流量传感器系数和较高的测量精度,从而验证了本方法对超声波流量传感器在不稳定流场中进行流量测量的可行性,具有总要的实际应用借鉴价值。     

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.     

基于广义回归网络的动态权重回归型神经网络集成方法研究*

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已成为机器学习和神经计算领域的一个研究热点。针对回归分析问题提出了一种动态确定结果合成权重的神经网络集成构造方法,在训练出个体神经网络之后,根据各个体网络在输入空间上对训练样本的预测误差,应用广义回归网络来动态地确定各个体网络在特定输入空间上的权重。实验结果表明,与传统的简单平均和加权平均方法相比,本集成方法能取得更好的预测精度。     

基于广义回归神经网络的传感器故障诊断研究

针对诊断传感器偏置故障与漂移故障的难点问题,提出了一种基于广义回归神经网络(GRNN)的传感器故障诊断方法。该方法充分利用控制系统闭环回路测控信息,建立一组多输入单输出GRNN观测器,通过将观测器输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现控制系统传感器故障在线诊断。仿真结果表明:该方法可以快速准确地检测和分离传感器故障,辨识传感器故障类型、故障大小以及故障发生的时间。     

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。     

基于广义回归神经网络的SOFC电压模型研究靠

首先介绍并分析了固体氧化物燃料电池(SOFC)的工作原理和理论电压模型.然后,针对SOFC系统过于复杂,理论电压模型存在明显不足的特点,试图绕开SOFC的内部复杂性,利用广义回归神经网络(GRNN)对SOFC系统进行辨识建模.模型以电池工作温度为神经网络辨识模型的输入量,电池电压/电流密度为输出量,利用750组实验数据作为训练样本,建立了SOFC在不同工作温度下的电池电压/电流密度动态响应模型.仿真结果表明了该方法的有效性,所建模型精度也较高.     

基于广义回归网络的动态权重回归型神经网络集成方法研究

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已成为机器学习和神经计算领域的一个研究热点。针对回归分析问题提出了一种动态确定结果合成权重的神经网络集成构造方法,在训练出个体神经网络之后,根据各个体网络在输入空间上对训练样本的预测误差,应用广义回归网络来动态地确定各个体网络在特定输入空间上的权重。实验结果表明,与传统的简单平均和加权平均方法相比,本集成方法能取得更好的预测精度。     

基于广义回归神经网络的趋势面自适应模型

趋势面分析方法是一种重要的物化探数据处理方法.构造趋势面常用的方法是进行多项式拟和,文章提出了一种利用广义回归神经网络趋势面建模方法,其中应用拟和度自适应调整神经网络参数.将该模型应用于某测区航放数据,处理结果表明了该模型不但拟和精度高,而且拟和度可调.     

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上,但是由于复杂的拓扑结构和网络行为,网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据,建立一个时间相关的基于神经网络的流量模型,预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。     

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。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。     

基于补偿器的灰色神经网络流量预测模型

为衡量网络运行负荷和运行状态,对网络进行合理规划,在对目前网络流量预测模型进行了研究的基础上,结合灰色模型和神经网络模型在反映数据的趋势性变化上的明显效果,以及神经网络补偿器,提出了基于补偿器的灰色神经网络流量预测模型,仿真结果验证了所提方法的有效性。     

基于改进的BP神经网络的Overlay网络流量预测

随着网络规模的增长,Overlay网络流量预测已经日渐成为研究热点。与传统网络相比,Overlay网络本身的特性决定了传统的预测方法已不能适应它的要求。提出一种基于模拟退火的粒子群神经网络来预测Overlay网络的流量,运用反向计算方法,从理想最优值出发,近距离寻找最优解,缩短了求解时间并加大了找到最优解的几率。通过实验仿真可以看出,改进的BP神经网络方法的预测效果要明显好于传统的BP神经网络。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

广义神经网络的研究及其在交通流预测中的应用

提出一种基于线性独立函数的智能神经元模型,理论分析表明这种智能神经元比普通神经元具有更高的知识存储能力,可使整个神经网络的信息处理能力得到大大增强.将这种智能神经元组成的广义神经网络应用于交通流预测,对大连市实测交通流数据进行了预测分析.实验结果表明,该广义神经网络的预测效果远远优于常规BP网络,具有较高的实用价值.     

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。     

并行广义神经网络的交通流预测

实时、准确的交通流预测是智能交通诱导实现的前提和关键。针对BP神经网络学习过程收敛速度慢、容易陷入局部极小的缺点,引入智能神经元组成的广义神经网络建立交通流预测模型,同时给出基于训练集分解和动态通信模式的并行学习算法来提高广义神经网络的收敛速度,并利用大连市的实际交通流数据进行预测分析。实验结果表明,并行广义神经网络能够满足交通流量预测实时性、精确性的要求,具有一定的应用价值。