基于动态GRNN模型的挖掘机液压系统故障检测

提出了一种针对工程机械液压系统的动态广义回归神经网络(GRNN)模型的故障诊断方法.动态GRNN模型是一种全局递归的动态模型,具有很强非线性收敛能力.首先建立系统正常状态故障建立动态GRNN模型;计算动态GRNN模型的检测阈值;然后将测试故障样本带入动态GRNN模型当中,其残差平方和在对应阈值范围内即可判定故障.通过实验分析,基于动态GRNN模型的故障检测方法准确地诊断出了90%以上的系统故障,实验结果表明,这一方法能够有效地应用于挖掘机液压系统的故障诊断.     

基于广义回归神经网络与遗传算法的煤灰熔点优化

考虑固态和液态排渣锅炉对煤灰熔点的不同要求，采用广义回归神经网络建立了煤灰软化温
度模型。神经网络的输入变量为7个，即煤灰中SiO2、Al2O3、Fe2O3、CaO、MgO、TiO2、Na2O & K2O的质
量分数。以煤灰软化温度作为目标函数，采用遗传算法寻优计算获得当煤灰软化温度最高和最低时煤灰中
氧化物的组成。广义回归神经网络仅需30个训练样本，最大和平均相对误差分别为21.8%和1.55%。优化结
果表明，掺烧高钙煤或者向燃煤中添加石灰石等富含Ca的原料可以降低煤灰熔点；而增加Al2O3的质量分
数可以提高煤灰熔点。     

基于GRNN人工神经网络的寡核苷酸解链温度预测

解链温度预测在引物和探针设计中具有重要的作用,本研究以384条寡核苷酸的解链温度数据为材料,随机分为训练集(279条)和测试集(69条)样本,利用训练集样本对建立的GRNN人工神经网络进行训练;再利用训练好的人工神经网络对测试集样本的解链温度进行预测,发现本研究所建立的GRNN人工神经网络的平均预测误差为2.44±0.98℃,最大误差为5.77℃,说明本研究建立的GRNN人工神经网络具有较好的预测性能,完全可以用于寡核苷酸解链温度的预测.同时比较了CRNN人工神经网络与目前常用的3种邻近法在预测寡核苷酸解链温度上的差异,发现Breslauer(1986)建立的预测方法误差较大,其平均误差为6.81±3.90℃,Santalucia(1996)建立的预测方法次之,平均误差为2.41±1.96℃,Sugimoto(1996)建立的预测方法最准确,其平均误差为1.57±0.96℃,分析了各种预测方法产生误差的原因,为今后开发新的寡核苷酸解链温度预测工具提供了新的思路和方法.     

基于广义回归神经网络的职业性向分析

对在校大学生进行霍兰德职业性向测评,利用模糊聚类对测评数据进行初步归类,应用广义回归神经网络（GRNN）迭代训练建立分类模型,将主客观测评数据对应的分类结果进行比对获取吻合率,为大学生的就业指导提供参考.     

Fusion of GRNN and FA for Online Noisy Data Regression

A new online neural-network-based regression model for noisy data is proposed in this paper. It is a hybrid system combining the Fuzzy ART (FA) and General Regression Neural Network (GRNN) models. Both the FA and GRNN models are fast incremental learning systems. The proposed hybrid model, denoted as GRNNFA-online, retains the online learning properties of both models. The kernel centers of the GRNN are obtained by compressing the training samples using the FA model. The width of each kernel is then estimated by the K-nearest-neighbors (kNN) method. A heuristic is proposed to tune the value of Kof the kNN dynamically based on the concept of gradient-descent. The performance of the GRNNFA-online model was evaluated using two benchmark datasets, i.e., OZONE and Friedman#1. The experimental results demonstrated the convergence of the prediction errors. Bootstrapping was employed to assess the performance statistically. The final prediction errors are analyzed and compared with those from other systems.     

广义回归神经网络在空调湿度调节中的应用

湿空气中温度和湿度的关系通常通过水蒸气性质表进行查取，通过湿度和饱和水蒸气分压力的关系计算相对湿度值，但其为离散的非线性关系，不便于实时控制，提出了一种简单，有效的广义回归神经网络（GRNN）用于中央空调控制中的湿度调节，GRNN可以对离散的非线性关系进行拟和，不同于数值分析中的插值和拟和，也不同于常用的BP网络，GRNN易于实现，仅需要一个参数，结构简单，便于编程，可以在较少数据中较好地工作。     

基于GRNN的虚拟仪器非线性校准方法研究

文中介绍了虚拟仪器校准的广义回归神经网络方法，并通过试验验证了此方法的可行性，测量精度有了明显的提高。     

基于小波软阈值的中长期电力负荷预测研究

由于中长期电力系统负荷数据相对较少，影响因素广泛，常用的负荷预测方法很难达到满意的精度，所以提出一种结合小波软阈值和广义回归神经网络的综合预测模型，该模型充分考虑了长期负荷数据相对较少和影响因素广泛的特点，把负荷预测看作一个信号序列，应用小波去噪原理，将信号与噪声分离，然后利用广义回归神经网络进行预测。实际应用证明，预测结果是令人满意的。     

Application of a general regression neural network for health index calculation of power transformers

A power transformer is one of the most important components in a transmission network. To assess the overall condition of this valuable asset, health index calculations are recently gaining more attention from the utility companies that operate networks. Only limited research has been conducted on health index calculations of transformers. Most of the past approaches are based on the linear combination of weighted scores of measurements following the industry standards such as IEEE, IEC and CIGRE. A few previous methods based on artificial intelligence and statistical approaches such as fuzzy logic, multivariate analysis and binary logistic regression have been published in recent years. In this paper, a General Regression Neural Network (GRNN) which has a nice nonlinear property and can work with measurements without quantization has been evaluated. The GRNN allows multi-dimensional measurements to be combined through an optimal weighting and scoring system to compute a quantitative health index of power transformers. The weighting of each test was assigned based on a smoothly interpolated continuous function. The efficacy of the model has been validated against expert classifications and data sets published in the literature. The comparative results demonstrate that, the proposed method is reliable and very effective for condition assessment of transformers through an automated health index calculation.     

联合鲸鱼算法和遗传算法优化GRNN预测斜拉索覆冰厚度

为了预测冬季易结冰区斜拉索覆冰的增长,运用灰色关联分析方法分析斜拉索倾角、温度、湿度、风速、降雨量及气压对斜拉索覆冰厚度的关联影响,明确各影响因素的相关性大小,剔除弱相关性因素;联合遗传算法（GA）和鲸鱼算法（WOA）选择最优光滑因子,提出一种WOA-GA算法优化广义回归神经网络（GRNN）的斜拉索覆冰厚度预测方法。其特点是：以输出值与实际值均方差作为适应度函数,计算每个粒子的适应度值;将GA算法的交叉和变异算子引入WOA算法,同时借助权重更新策略,提升全局寻优的能力,避免WOA算法陷入局部最优解;最后,经过迭代寻优,输出最小适应度值对应的光滑因子,构建GRNN预测模型。结果表明：环境温度相关性最高,其次是倾角、降水量、风速、相对湿度,气压关联度最小,呈弱相关性;相比于传统的GRNN、WOA-GRNN、PSO-GA-GRNN模型,联合鲸鱼算法和遗传算法优化的GRNN覆冰预测模型精度较高,其平均绝对误差百分比仅为3.58%,均方根误差为0.58 mm;采用敏感性分析法评价影响因素对模型精度的影响,发现温度对模型影响程度最大,其次是拉索倾角。