基于ICS-GRNN的油气管道剩余强度预测技术

为提高腐蚀管道剩余强度的预测精度,深入分析影响管道剩余强度的主要因素,通过广义回归神经网络（GRNN）对剩余强度进行有效预测,采用改进的布谷鸟搜索算法（ICS）对光滑因子进行寻优,建立了基于ICS-GRNN的管道剩余强度预测模型,并与其他模型进行了对比。结果表明,ICS算法较CS算法提前88次迭代达到收敛条件,具有更快的迭代速度;ICS-GRNN模型的平均相对误差和希尔不等系数均最小,分别为1.92%和0.43,与其他模型相比,预测精度和鲁棒性最好,预测时间最短。研究结果可为进一步确定腐蚀管道的后续承载力和服役状态提供参考。     

基于GRNN和时间窗方差滤波的海杂波抑制

为实现对海杂波的抑制,根据海杂波混沌动态特性,利用广义回归神经网络(GRNN)进行海杂波预测再对消,最后引入时间窗方差滤波。分析对McMaster大学IPIX雷达含目标实测数据的处理结果,原始数据信杂比小于等于0 dB,只采用GRNN预测对消后信杂比提高但仍有短时海杂波尖峰的影响,经过方差滤波后短时尖峰基本消失,最终信杂比提高到约11.67 dB。故所提方法对海杂波有很好的抑制效果,能够检测出湮没在海杂波中的小目标。     

学习相位一致特征的无参考图像质量评价

为了有效地评价不同失真类型的图像质量,该文提出一种利用广义回归神经网络(GRNN)学习图像相位一致特征的无参考评价方法。该方法首先使用相位一致模型产生相位一致图像、相位一致协方差最大、最小图像,然后利用灰度-梯度共生矩阵模型计算该3幅图像的梯度熵、原始图像的梯度均值和梯度熵,再加上该3幅图像的均值,共8个特征输入GRNN模型训练学习,预测得到图像质量评价得分。实验结果表明新方法与主观得分有较好的一致性,同时具有可靠的推广性。     

基于GRNN的米糠蛋白提取条件优化研究

针对米糠蛋白碱法生产中存在的产品得率低、色泽深等普遍问题,本文在单因素实验确定的几个蛋白提取关键影响因素基础上,采用中心组合实验的方法探讨了因素之间交互作用的问题,最后利用广义回归神经网络技术(general regression neural network,GRNN)对蛋白提取率和提取液色泽进行了多目标优化问题研究。GRNN模型结果显示:在温度36.5℃,液料比11.5:1(v/w),pH10.9,辅助剂用量0.56%的条件下,米糠蛋白提取率理论值为61.0%,色度值为53.3,与实际值的误差分别为3.6%和4.7%,且相比较目前工业生产普遍使用的生产条件,蛋白提取率与色度值分别提高了31.4%与43.3%,采用GRNN方法优化的米糠蛋白提取条件具有很好的实用价值。      

基于加工位置不确定的多工步数控铣削工艺参数优化研究*

针对铣削稳定性评价指标极限切削深度随加工位置改变而变化,导致铣削工艺参数优化模型中稳定性约束具有不确定性问题,结合不同加工位置刀具频响函数和切削稳定性理论,建立加工空间极限切削深度广义回归神经网络(GRNN)预测模型,基于该GRNN模型完善铣削稳定性约束条件,进而构建以机床各运动部件位移与粗/精加工切削参数为变量,以粗/精加工总切削时间为目标的多工步数控平面铣削工艺参数优化模型,采用粒子群算法(PSO)求解该优化模型。以某企业加工中心展开实例研究,获取机床加工位置和粗/精加工主轴转速、切削深度、切削宽度、每齿进给量的优化配置,优化后粗/精加工总切削时间比优化前缩短22.47%,并通过该配置下的无颤振铣削加工验证了优化模型的有效性。     

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。     

基于广义神经网络的轨道电路故障诊断方法研究

针对ZPW-2000型轨道电路故障诊断难、诊断效率低等问题,提出一种基于模糊c均值聚类算法(FCM)和广义神经网络(GRNN)结合的ZPW-2000型轨道电路故障诊断方法。首先采用模糊c均值聚类对故障样本数据分为9类,并得到每类的聚类中心和个体模糊隶属度矩阵,再采用广义神经网络对样本数据作近一步判断,最后采用现场故障数据进行验证,得到较好的诊断精度,因此该法能够为现场维护人员提供诊断辅助,提高了诊断效率。     

五种人民币序列号识别算法抗噪能力比较

为了比较不同的人工神经网络算法识别人民币序列号的性能,研究了离散Hopfield神经网络、BP神经网络、PNN神经网络、GRNN神经网络、SVM神经网络等五种算法的训练耗时、识别速度、识别率和抗噪声能力. 研究结果表明,在五种算法中BP算法的综合表现最差,其次为SVM和Hopfield算法,而PNN和GRNN算法表现最好,不仅识别率最高、训练和识别时间最短,而且具有较强的抗噪声能力.     

基于GRNN的输电线路覆冰厚度预测方法研究

为了保障输电网的安全运行,输电线路覆冰厚度预测极为重要。本文还将人工神经网络原理引入输电线路覆冰厚度预测中,并针对BP网络收敛速度慢、已陷入局部极小的缺陷,提出了基于广义回归神经网络(GRNN)的预测模型。实例研究证明GRNN模型相比较BP模型,能更有效地预测输电线路覆冰厚度。     

广义回归神经网络模型在短期电力负荷预测中的应用研究

介绍了广义回归神经网络(GRNN)的基本理论,指出其回归的实质就是对平滑参数的优化。考虑到常规差分进化算法容易“早熟,”全局寻优效率偏低,提出了基于优进策略的差分进化算法,利用种群繁衍的有用信息改进子代分布,并引入确定性寻优操作,实现了高效全局搜优。以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为短期电力负荷预测建模,获得了满意的预测结果。