基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。     

基于广义回归神经网络的幼蛏毒性模型的建立与应用

为建立芳烃化合物物化性质与缢蛏幼体（幼蛏）毒性间的非线性关系,本研究以实验获取的12种芳烃化合物对幼蛏96 h的毒性数据为基础,采用密度泛函理论（DFT）中的B3LYP方法,在6-311G^**基组上全优化计算12种芳烃化合物结构参数和热力学参数,采用广义回归神经网络（GRNN）和3层误差反向传播（BP）神经网络方法对实验数据进行回归拟合,模拟芳烃化合物的结构参数和热力学参数对幼蛏急性毒性的非线性关系。结果表明,GRNN的泛化结果和实测值的误差小于BP神经网络,预测准确性优于BP神经网络。t检验结果揭示建立的GRNN模型是可信的。相关性验证表明,GRNN模型具有良好的拟合度,在样本数据较少时也能很好的表达芳烃化合物对幼蛏急性毒性的非线性关系。利用GRNN模型预测未知芳烃化合物的实验结果,为芳烃化合物对幼蛏急性毒性关系的分析提供科学依据。     

基于广义回归神经网络的发动机动力性、经济性预测

神经网络是当前最主要的智能控制技术，它是模拟人脑的结构以及对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性。发动机性能预测是根据发动机结构参数和运转参数来估算推测发动机的各种性能指标，因此可以利用神经网络的学习性的特点，借助神经网络，将各种影响汽油机燃烧过程的主要参数对汽油机的非线性影响以网络模型的形式表示出来。本文讨论了如何抛开数学建模的方式，选用广义回归神经网络进行发动机动力性、经济性的预测，并应用了MATLAB软件工具箱编程，给出一个两缸电控汽油发动机的动力性、经济件预测模型的实例。     

基于改进的GRNN的固体氧化物燃料电池辨识模型研究

固体氧化物燃料电（SOFC）作为一种新的能源形式,日益受到重视．针对SOFC系统过于复杂,现有的理论电压模型存在明显不足的特点,绕开了SOFC的内部复杂性,利用经过粒子群算法（PSO）优化的广义回归神经网络（GRNN）对SOFC系统进行辨识建模．以氢气流速为神经网络辨识模型的输入量,电流／电压为输出量,建立SOFC在不同氢气流速下的电池电流／电压动态响应模型．仿真结果表明所建模型能基本表示出SOFC系统的电流／电压的动态响应,说明利用GRNN建模的有效性,所建模型精度也较高．     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

海杂波背景下的GRNN小目标检测

根据海杂波混沌特性,建立了其相空间重构模型,构造了广义回归神经网络（GRNN,Genera lized Regression Neural Network）目标检测器,并利用加拿大McMaster大学采用IPIX雷达在Dart—mouth地区海域实测带有目标的海杂波数据对此方法进行验证,结果表明：在混沌海杂波背景下GRNN小目标检测法具有良好的预测性和时速性。     

用广义回归神经网络研究输电线雷电绕击特性

雷电绕击是危及超高压输电线路安全稳定运行的主要原因。电气几何模型(EGM)及在其基础上的理论并未考虑雷电放电过程的分散性,现有的研究多限于仿真计算程序。针对超高压输电线路的雷电绕击进行了小模型实验,并充分考虑保护角、斜坡倾角、山涧高度、线路电压、雷击先导角、雷击先导点位置等因素影响,研究表明雷电绕击率与以上诸因素存在着隐含的复杂非线性关系。人工神经网络在任意连续函数的逼近能力及动态网络的稳定性分析方面具有优势,是预测雷电屏蔽非线性系统的最佳方法。基于广义回归神经网络GRNN逼近能力强,学习速度快,纠错性好的特点,用其来分析此非线性系统。在试验室模型试验的基础上利用Matlab进行了大量的仿真实验,验证了该方法的可行性与准确性。还分析了多种影响因素下GRNN的计算结果。     

基于火焰图像特征与GRNN的转炉吹炼状态识别

随着转炉冶炼过程的推进,炉口火焰图像在不同的冶炼阶段呈现较为明显的差别。根据火焰图像判断冶炼所处阶段的问题,其关键在于如何准确提取火焰的主要特征,提出了火焰边缘线不变矩特征,火焰图像Laws纹理能量特征,以及图像色彩特征,并研究了它们的变化过程。最后,利用广义回归神经网络（GRNN）建立图像特征和冶炼阶段之间的分类模型。实验结果表明,该方法能有效进行基于图像识别的转炉冶炼状态判断,具有较高的实用价值。     

基于CT-GRNN模型的采场顶板位移预测

将混沌学理论与广义神经网络相结合构建了基于CT-GRNN的采场顶板位移预测模型。首先应用Matlab混沌工具箱, 对顶板位移数据进行混沌判别, 得出顶板位移数据混沌时间序列的特点, 进而对顶板位移数据进行相空间重构, 最后采用广义回归神经网络对采场顶板位移进行预测。以新桥矿E15、E27采场顶板位移预测为例, CT-GRNN模型的预测误差分别为2.1%和2.6%, 相比传统BP神经网络预测（预测误差分别为5.7%和4.8%）, 精度得到大幅度提高, 可作为采场顶板位移预测的一种新手段。     

基于Welch法功率谱和广义回归神经网络的禽蛋裂纹辨识

为建立一种快速无损检测禽蛋裂纹的方法,构建了基于磁致伸缩振子扫频式振动的禽蛋裂纹检测系统。系统以声学特性为基础,通过利用Welch法功率谱分析禽蛋振动音频信号,利用主成分分析法提取特征向量中的有用信息并构建基于广义回归神经网络（generalized regression neural network,GRNN）的禽蛋裂纹检测模型。实验对290 枚鸡蛋进行检测（训练集200 枚,测试集90 枚）。结果表明,测试集中无损蛋与裂纹蛋的判别率分别达到96.7%和98.3%。研究表明,利用磁致伸缩振子扫频和Welch法功率谱分析,通过主成分分析法提取特征向量中的有用信息并结合GRNN模型检测禽蛋裂纹是可行的。