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流量矩阵估计*

研究大尺度IP骨干网络流量矩阵估计,通过使用广义回归神经网络来捕捉流量矩阵特征,将流量矩阵估计描述成马氏距离下的最优化过程,能成功克服流量矩阵估计的病态特性,获得精确的估计值。仿真结果表明,该估计算法具有更高的估计精度和显著的性能改善。     

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。     

基于差压法的一种新型液体流量传感器

设计了一种新型液体流量传感器,并对其进行了制作和实验标定.这种流量传感器主要由特制的导流管和现有压力传感器组成.其基本原理是输入口与输出口这间的压力差与通过导液管的流速直接相关.用压力传感器测量导液管入口与出口之间的压力差,并将其转换成电压量输出.通过检测导液管两端的压力差,即可计算出通过导游管的流速和流量.这种流量传感器主要有结构简单、灵敏度高、精确度高、量程范围宽、成本低等优点.     

基于广义回归神经网络的网络信息资源个性化推荐方法

传统网络信息资源个性化推荐方法无法存储长期信息,导致推荐精度低,召回率高。因此,研究基于广义回归神经网络的网络信息资源个性化推荐方法。首先,获取初始兴趣偏好特征数据,分配相应权重进行归一化处理;其次,确定训练样本的收敛范围,调整权值得到不同层神经元之间的连接权值和阈值,并输出匹配结果;最后,运用过滤推荐算法计算环境网络信息资源偏好和用户网络关系,得到训练样本相似度,生成近似数据集,根据偏好完成个性化推荐。实验结果表明,该方法的召回率最低,推荐准确程度高。     

基于自适应广义回归神经网络的链路质量评估

为选择合适的链路质量参数,进一步提高链路质量评估的性能和泛化能力、降低时间复杂度,确定链路质量参数的备选集M\\-{CS}={μ,r,σ\\+2},其中μ={μ\\-{lqi}, μ\\-{rssi},μ\\-{snr}},r={r\\-{lqi},r\\-{rssi},r\\-{snr}},σ\\+2={σ\\+2\\-{lqi},σ\\+2\\-{rssi},σ\\+2\\-{snr}};提出包裹式链路质量参数选取算法,采用自适应广义回归神经网络(adaptive general regression neural network, AGRNN)评价各备选子集的重要性,选择链路质量参数;借助广义回归神经网络(general regression neural network, GRNN)在分类以及时间上的优势,提出基于AGRNN的链路质量评估模型,该模型为每个链路质量参数分配不同的光滑因子,采用误差反向传播的思想对其进行自适应修正;采用准确率、召回率、泛化误差和计算时间评价链路质量评估模型.室内、公园和公路场景下的{实验}表明:与基于多项式法、随机森林、支持向量分类器的链路质量评估模型相比,基于AGRNN的链路质量评估模型具有更优的评估性能和更好的泛化能力以及更低的时间复杂度.     

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。     

神经网络在小管径超声波流量测试中的应用

介绍了一种基于神经网络的改进型超声波流量测量系统的研制,该系统针对时差法超声波流量计在小管径应用上时差难以测量的不足,采用动量BP算法,实现了对各种非线性影响因素的补偿,通过参数修正有效地提高了系统的测量精度。与传统时差法超声波流量计相比,该系统稳定性好,精度高,具有良好的应用价值和推广价值。     

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。     

高精度超声流量传感器建模

介绍基于Prandtl的流速分布经验公式、光滑管的Prandtl方程和粗糙管的Colebrook方程的超声流量传感器建模,以及超声流量计高精度测量的实现方法。通过M atlab仿真分析流速分布指数和流速分布系数的计算方法及其对流速测量的影响。最后,通过实验数据的误差分析,验证模型的正确性,其测量精度可达1%。     

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.     

基于改进Elman网络的软测量建模方法

针对静态前馈网络和Elman网络在软测量建模中的不足,提出了一种新的改进的Elman网络模型,并将此模型应用于精馏塔出口成分含量的软测量建模中。实验模拟结果表明：改进的Elman网络模型具有更高的预测精度和较快的收敛速度,能够更好地实现精馏塔出口成分含量的软测量建模,为进一步实现产品质量控制提供了保证。     

一种基于概率的超声波模型的设计

超声波检测迅速、方便、计算简单、易于做到实时控制,且其测量精度能达到工业实用的要求。在超声波硬件电路基础上,重点对声纳的测量特性及其信息不确定性进行了分析,并提出了一种新的超声波传感器模型。该模型在均匀分布超声波模型的基础上,利用概率方法能准确描述声纳扇形范围之内的障碍物位置,通过仿真验证了该模型的有效性和实用性。     

基于神经网络的智能传感器的数据处理

为提高智能传感器的测量准确度,利用神经网络良好的非线性映射能力,对传感器的标定数据进行输入-输出特性的反非线性逼近,同时,利用传感器实验数据进行神经网络的训练。结果表明:与传统的数据处理方法相比较,利用神经网络进行的传感器数据处理,能使传感器的准确度由±6.67提高到到±0.98。