基于动态广义回归神经网络煤炭需求预测模型

煤炭需求预测是指导我国煤炭工业发展规划的重要依据之一。我国煤炭资源需求影响因素复杂,准确地预测需要考虑经济、社会等多方面因素。针对获取数据不足等特点,首次在煤炭的预测中运用动态广义回归神经网络(D-GRNN)的方法,预测了中国未来近十年内的煤炭预测值,得到了比较合理的预测值。运用预测数据对国家的煤炭宏观调控做出了合理评价。     

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限,基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理,并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下,将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性,最后对微震能量和电磁辐射两类数据进行预测研究。结果表明：即使历史数据有限,多变量混沌序列预测方法也能提前预测出多个监测变量,从而实现冲击地压预报。     

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络（GRNN）,构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。     

基于神经网络与LabVIEW平台建立焊锡真空炉粗锡含铅量的软测量模型与在线监测研究

焊锡真空炉粗锡含Pb量的高低直接关系到焊锡真空炉的生产效率,为了改变目前粗锡含Pb量只能通过人工化验才能得到的现状,实验基于反向传播神经网络(Back-Propagation Neural Network,BPNN)与广义回归神经网络(Generalized Regression Neural Network,GRNN)算法原理,构建了BPNN与GRNN软测量模型并对这两种模型的预测效果进行了对比分析,结果表明基于GRNN的粗锡含Pb量软测量模型具有较高的预测精度。同时,采用虚拟仪器(LabVIEW)中的Matlab Script节点技术,成功开发了基于LabVIEW的粗锡含Pb量监测系统,实现了基于BPNN与GRNN软测量模型的粗锡含Pb量实时在线软预测,运行结果表明所开发的监测系统运行稳定可靠。     

充填管道磨损风险的KPCA-PSO-GRNN评估模型及应用

针对影响充填管道磨损风险因素的复杂性和不确定性,为更加科学准确的预测充填管道的磨损状况,减少由管道磨损带来的矿山损失,构建了一种基于核主成分分析(KPCA)和粒子群算法(PSO)优化广义回归神经网络(GRNN)的充填管道磨损风险评估模型。建立充填管道磨损风险评估指标体系,运用KPCA,对数据进行特征提取,将其结果作为GRNN的输入,采用PSO算法优化选取GRNN的光滑因子,完成GRNN的训练和学习,将该模型应用于国内某矿山充填管道的磨损风险评估中,并与其它模型进行对比。结果表明,利用该模型可以准确的预测充填管道磨损风险等级,与实际情况相一致。工程应用实例表明,所建模型预测精度更高,适用性更好,对充填管道的磨损评估具有较好的借鉴意义。     

基于GRNN 的机器鱼直游稳态速度建模

为解决机器鱼动力学建模中瞬变的强非线性流动控制等难点问题,建立基于广义回归神经网络（General Regression Neural Network,GRNN）的机器鱼直游稳态速度模型。以三关节仿生机器鱼为研究对象,利用神经网络的非线性逼近能力,使用GRNN辨识机器鱼游速与其运动参数之间的强非线性关系,建立了电机控制参数与仿生机器鱼直游稳态速度之间关系的模型,并通过实验进行了预测值与实际值之间的误差分析。实验结果证明,采用GRNN神经网络辨识技术建立仿科机器鱼直游速度模型是完全可行的。     

基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测

目的 提高埋地管道外腐蚀速率的预测精度。方法 建立基于核主成分分析法（KPCA）和天牛须搜索（BAS）算法优化的广义回归神经网络（GRNN）腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道外腐蚀的主要因素,应用GRNN建立埋地管道外腐蚀速率预测的数学模型,并采用BAS算法对模型进行优化,减小了人为设置参数的影响。以川气东送埋地管段为例,分析选取出12种关键影响因素,建立了埋地管道外腐蚀指标体系,借助MATLAB-R2014a编写程序进行仿真,并与实际值进行对比。结果 模型的预测结果与实际值基本一致,KPCA可有效降低指标体系的维度,提取出包含原始信息97.9%的3个主因素—土壤电阻率、氧化还原电位、氯离子含量,简化了运算过程。采用的BAS-GRNN模型将预测精度提高到7.83%以内,平均相对误差5.21%,决定系数取值0.93。与其他模型相比,该模型性能较好,预测精度更高。结论 采用KPCA提取的主要影响因素符合工程实际,建立的BAS-GRNN模型预测精度高,有较好的适应性,为埋地管道外腐蚀速率预测提供了新思路,对管道的维护更新工作提供了参考依据。     

广义回归神经网络在汽车换档机械手运动轨迹测量中的应用

针对换档机械手机构特性,设计了广义回归神经网络(GRNN)模型,输入层为两结点输入,即角位移坐标值α、β输出层为两结点输出,分别对应空间坐标值x,y,网络中间层的神经元传递函数采用径向基元萌数,输出层的神经元传递甬数采用线性元函数,对于光滑因子在[0.05,0.1]间取值,进行对比分析,最终选定光滑凶子取0.05.以标定数据中的一部分作为样本对上述神经网络进行训练、仿真,并预测另一部分数据,经过对结果的误差分析和与BP神经网络作比较,验证了本网络模型的有效性和精确性.与BP网络相比,其算法易于实现、结构简单、便于编程、收敛较快,可成功应用于本机器人系统中.     

基于FOA-GRNN模型的转炉炼钢终点预报

目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.     

轻涂纸涂层中羧基丁苯胶乳含量的测定

采用衰减全反射傅里叶变换红外光谱(ATR-FTIR)对涂有不同羧基丁苯胶乳含量的轻涂纸表面进行测定,选取羧基丁苯胶乳在波数为2922 cm-1、1028 cm-1、756 cm-和699 cm-1 4处特征吸收峰并使用红外光谱软件计算其峰面积,由此得到不同胶乳含量与这4处吸收峰峰面积之间的关系;分别采用多项式曲线拟合(PCF)、偏最小二乘回归(PLS regression)和广义回归神经网络(GRNN)进行建模,并对3种模型的预测效果进行比较.结果表明,轻涂纸涂层中的ATR-FTIR信息可以用来测定轻涂纸涂层中的羧基丁苯胶乳含量,3种预测模型中,GRNN方法具有最佳的预测效果,偏差最小(最大偏差为-3.39％).