基于广义回归神经网络的上肢关节角度预测

针对人体上肢运动意图识别问题,基于上肢表面肌电信号,提出广义回归神经网络(general regression neural network,GRNN)预测受试者的上肢关节角度.GRNN预测模型的输入为处理后的表面肌电信号,预测的3个关节角作为输出,将GRNN预测结果和径向基函数(radial basis function,RBF)神经网络的预测结果对比,并用均方根误差对上肢关节角度的预测结果做评估,验证GRNN模型预测上肢关节角度的可行性.结果表明,GRNN模型能较好地估计人体关节角度.     

基于AGA-GRNN神经网络的刀具寿命预测研究

针对基于BP神经网络的刀具寿命预测中存在参数数量多、优化工作量复杂、网络参数主观确定等较多预测精度的问题,提出一种改进广义回归神经网络预测模型AGA-GRNN,该模型运用自适应遗传算法(AGA)优化光滑因子.经实例验证,相较于交叉验证法和遗传算法优化的GRNN预测模型,AGA-GRNN刀具寿命预测模型在参数优化效率和寿命预测精度上均较高,本刀具寿命预测模型的构建为实现制造系统中智能刀具调度提供了基础.     

一种基于HHT和神经网络的智能轴承状态监控系统

提出了一种Hilbert-Huang变换(HHT)和神经网络相结合的智能轴承状态监控系统.从理论上阐述了经验模态分解(EMD)、固有模态函数(IMF)、Hilbert变换以及广义回归神经网络(GRNN).提出了轴承智能状态监控流程图即小波包对振动信号进行去噪预处理,HHT提取IMF的瞬时幅值作为特征向量,实验使用了BPNN和GRNN 2种神经网络,通过神经网络进行故障辨识和分类,最后用轴承的振动数据对该系统进行验证.结果表明,提出的状态监控系统能较好地对轴承的状态进行监控.     

PCA-MGA-GRNN矿井通风机故障识别方法

为预防因矿井通风机故障而引起事故,基于生产安全及经济方面考虑,对矿井通风机故障类型进行准确、稳定、可靠的识别,提出将改进的遗传算法(MGA)与广义回归神经网络(GRNN)相耦合,从而实现对矿井通风机故障的能检测.通过研究通风机作业过程中振动信号与矿井通风机故障之间的关系,将其不同频率段能量值作为故障表征参数,并以相应的矿井通风机故障类型作为目标参数;对故障表征参数进行主元分析(PCA)计算后与目标参数作为GRNN的输入值与输出值加以训练;利用MGA优化GRNN的光滑因子参数,使其具有更好的网络性能,以此建立PCA-MGA-GRNN矿井通风机智能故障识别模型,结合实际的矿井通风机故障相关数据并经实验验证该模型的识别效果,同时与GA-BP、GA-GRNN、MGA-GRNN、SVM进行对比,实验结果表明该识别模型具有更好的运行速度,识别精度为0.96,可实现对矿井通风机故障类型的智能识别.     

基于GRNN的电力系统短期负荷预测

提出了基于广义回归神经网络(GRNN)模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型,以此作为对GRNN进行训练的向量样本集.通过实例表明GRNN应用于电力系统短期负荷预测是可行并且有效的,其预报结果比多层前馈神经网络误差反向传播(BP)负荷预测方法更准确.     

基于多网络模型的工程机械液压系统故障诊断研究

提出一种针对工程机械液压系统的多网络模型的故障诊断方法。该网络模型以广义回归神经网络(General regression neural network,GRNN)为基础,引入全局递归的反馈机制,构建动态GRNN模型。该方法首先为多个目标故障建立同等数量的动态GRNN目标故障模型,计算每个目标故障模型的检测阈值;然后,将测试故障样本代入每个目标故障模型中,当其残差平方和在对应阈值范围内即可确定故障类型。实验结果表明:多网络模型的故障诊断方法准确地诊断出95%以上的系统故障。     

基于主成分分析法优化广义回归神经网络的地震震级预测

为科学有效预测地震震级,提出了基于广义回归神经网络(General Regression Neural Network,GRNN)的地震震级预测模型。选取地震累计频度、累计释放能量、b值、异常地震群数、地震条带个数、活动周期、相关区震级等7个指标作为地震震级影响因子,利用主成分分析法(Principal Component Analysis,PCA)对7个影响因子进行降维处理,以新生成的四个主成分作为模型输入变量,地震震级为输出变量,运用粒子群算法(Particle Swarm Optimization,PSO)寻优得到GRNN模型最优光滑因子,最终建立基于PCA-PSO-GRNN的地震震级预测模型,利用建好的模型对训练样本进行回判检验,并对测试样本进行预测,并同传统BP神经网络模型和单一GRNN模型预测结果进行对比,结果表明：PCA-PSO-GRNN模型预测结果的平均误差为5.17%,均方根误差为0.1000,决定系数为0.9868,均方相对误差为0.0073,平均绝对误差为0.1000,运行时间为5.2s,预测精度和运行效率均优于BP模型和单一GRNN模型。     

公路运输能力的神经网络预测

公路运输能力受多种因素影响,各因素的作用机制通常不能准确地用数学语言进行描述.采用广义回归神经网络(GRNN)对公路运输能力进行分析及预测.通过对2000～2008年全国公路运输能力的历史数据进行分析和处理,对网络进行训练和拟合,用2007～2008年的实际数据进行模型检验,结果表明:当光滑因子为0.1时,逼近误差为0.3%,GRNN用于公路运输能力的预测具有较好效果.     

基于MIVM神经网络模型对合金组元活度的预测

为了使用分子相互作用体积模型(molecular interaction volume model,MIVM)准确便捷预测出合金溶液中组元的活度,建立了活度预测的BP(back propagation)神经网络模型和算法,模型的输入层为合金溶液中组元的实验活度系数,输出层为分子对位能相互作用参数,隐含层设定为一层。采用遗传算法优化BP神经网络模型各结构参数,在遗传算法中使用合金溶液中组元的无限稀活度系数的实验值和理论值的偏差作为适应度函数,以偏差最小为目标进行优化以保证BP神经网络的有效性。最后以Pb-Bi,Sn-Bi,Sn-Pb,Fe-Cu二元合金溶液中组元活度预测为例对BP神经网络模型和算法进行验证。结果表明:组元活度预测值与实验值之间的平均相对误差均小于4%,绝对偏差小于0.78,能满足工程计算要求。     

基于聚类的PCA和GRNN的CSI指纹定位算法

针对多径效应影响指纹定位算法中定位精度的问题,提出了一种基于聚类的主成分分析(principal compo-nent analysis,PCA)和广义回归神经网络(generalized regression neural network,GRNN)的信道状态信息(channel state information,CSI)指纹定位算法.离线训练阶段,利用中值滤波对CSI幅值进行去噪,并利用线性变换校准CSI相位,将处理后的幅值和相位作为原始联合指纹,利用改进的K-means算法将各个参考点的联合指纹集划分成多个子数据集来描述位置的多径特性,通过高维数据的PCA算法提取子数据集的特征以减少冗余信息、提高不同位置指纹的区分性,最后利用特征指纹训练GRNN模型.在线阶段,利用训练好的GRNN模型对在线测量的CSI数据进行目标对象的位置预测.实验结果表明,该算法可有效反映出位置的多径信息,且与CSI-MIMO,DeepFi和CSI-PCA相比,在定位精度方面有明显的提升.     

基于GRNN神经网络的中厚板轧机厚度预测

根据4200轧机轧制45号钢的实测数据,利用Matlab神经网络工具箱,建立中厚板轧机厚度预测的GRNN神经网络模型.研究结果表明;GRNN神经网络模型能较好地预测轧件厚度的变化,相对误差很小;与BP网络和Elman网络模型相比,GRNN网络模型具有更高的精度和更强的稳定性.     

重放攻击下雷达组网系统的目标跟踪性能

作为一种复杂的分布式系统,雷达组网系统受到各种攻击的威胁。为了研究赛博攻击对雷达组网系统性能的影响,提出一种针对雷达组网系统的重放攻击方式。首先建立目标运动模型和系统模型,其次分析了重放攻击对单站雷达位置估计误差的影响,基于此扩展到对雷达组网系统目标跟踪性能的影响,最后研究了攻击参数与位置估计误差的关系。通过仿真分别展示了单站雷达和雷达组网系统受到重放攻击时的状态估计误差,以及单站雷达和雷达网估计误差与攻击强度的关系。仿真结果表明:对于单站雷达,重放攻击可以造成巨大的跟踪误差,且攻击效果与攻击强度成正比关系。当攻击的对象是雷达组网系统时,需要合理地选择攻击参数才能产生明显的攻击效果。     

基于GRNN模型的城市道路短期交通流预测研究

采用剔出了城市道路短期交通流的周周期性特征的周差分数据作为广义回归神经网络（GRNN）模型的预测对象,这样既能避免合理选择交通流影响因素作为神经网络输入变量的困难,又能迅速获得实时短期交通流预测结果。研究结果表明,构建的神经网络模型能够很精确地实时预测城市道路短期交通流。     

混沌噪声背景下弱谐波信号的GRNN检测

针对BP(Back Propagation)神经网络方法存在训练时间长,收敛性能不理想;RBF(Radial BasisFunction)神经网络的隐层结构对鲁棒性影响大的问题,将广义回归神经网络GRNN(GeneralizationRegression Neural Network)引入混沌背景下的弱谐波信号检测中,提出了一种提取混沌噪声背景下微弱谐波信号的GRNN检测方法.该方法利用GRNN建立噪声混沌背景的最优一步预测模型,再结合频域处理预测误差提取微弱信号,以Duffing系统产生混沌时序作为混沌背景,使用该方法用MATLAB6.1验证在没有噪声、存在高斯白噪声和存在色噪声情况下的混沌背景下的弱谐波信号检测.实验结果表明,谐波对混沌的信噪比达到-36dB时仍然可以检测出谐波.     

基于广义回归神经网络的交流电磁场检测裂纹量化研究

考虑到目前交流电磁场检测中裂纹量化精度和智能化水平的不足,将广义回归神经网络(GRNN)引入到交流电磁场检测技术中来,在有限元仿真试验基础上,选择了作为输入元素的交流电磁场信号特征向量,构建了一种适合于交流电磁场检测裂纹量化分析的GRNN模型,并利用归一化处理后的一些离散数据作为网络的训练和检测样本,使网络完成对整个裂纹交流电磁场范围内的主要信息的存储,从中发现输出和输入之间的内在关系,完成对未知点的预测。结果表明,与传统的线性插值方法以及BP网络相比,该方法建模简单,预测精度高,对原始数据的分布和边界条件无特别要求,推广性能强,人为调节参数少,收敛速度快,更为智能化,尤其在获得已知样本稀少的情况下仍能表现出极强的适应性,从而保证了模型的精度和推广性能,为交流电磁场检测裂纹量化提供了一种智能高效的方法。     

基于轨迹数据的空中交通燃油消耗估算

针对QAR数据难以获取以及现有空中交通燃油消耗估算方法精度差等缺点,提出了基于雷达轨迹和回声状态网络的空中交通燃油消耗估算方法。首先采用QAR数据训练了多参数回声状态网络燃油流率估算模型;然后,为了使该模型适用于雷达轨迹数据,通过灵敏度分析的方法提取影响燃油流率的关键因素,确定了以飞行状态、真空速、高度等参数作为输入量的少参数燃油流率估算模型;最后,以20条真实轨迹数据进行模型验证,结果表明:该估算模型的相对误差约为4%,精度比BADA模型提高了40%。     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

网络态势预测的广义回归神经网络模型

网络态势预测作为网络态势感知的必要环节, 能够加强网络管理员对网络状态的认知与理解,为威胁分析和网络规划提供决策支持。在分析现状以及预测方法的基础上, 讨论了反向传播、径向基、反馈等神经网络模型用于预测的特点与优势,提出了网络态势预测的广义回归神经网络模型GRNNSF, 给出了GRNNSF模型的网络设计原则以及网络态势预测方法。基于真实数据集的实验,验证了GRNNSF模型的准确性和时效性,与其他神经网络模型相比,能更准确地预测网络态势的发展趋势。