高速走丝电火花线切割加工工艺建模方法研究

为了实现对高速走丝电火花线切割加工工艺效果的预测,以脉冲宽度、脉冲间隔、峰值电流及工件厚度为输入参数,以切割速度和表面粗糙度为输出参数,分别用非线性回归分析法和BP神经网络技术建立了工艺模型,并对两种模型的预测结果进行了比较。结果表明,两种模型均能反映线切割机床的加工工艺特性,可用于对给定切割条件下切割速度和表面粗糙度的预测,但神经网络模型具有更高的预测精度。     

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.     

电火花加工工艺效果建模

研究了电火花加工（ＥＤＭ）技术的加工机理。以峰值电流、脉冲宽度、脉冲间隔、抬刀时间和加工时间为输入参数,并以加工速度和表面粗糙度为输出参数,分别用神经网络技术与非线性回归技术建立了ＥＤＭ工艺模型。经过实验数据的比较,认为这两种模型均能较精确地预测出给定条件下的加工速度和表面粗糙度,反映了该机床的加工工艺规律。其中,利用神经网络建立的模型具有更高的预测精度。     

基于果蝇——广义回归神经网络优化的WSN节点定位算法

针对无线传感器网络(WSN)基于测距的定位算法中,利用节点坐标计算方法获得的节点坐标位置存在较大误差的问题,提出一种无需进行坐标计算的果蝇—广义回归神经网络(FOA-GRNN)优化的WSN节点定位算法.该算法利用广义回归神经网络(GRNN)较快的学习速度和较强的逼近能力建立WSN节点定位模型,通过果蝇优化算法(FOA)调整广义回归神经网络的平滑参数,降低调整平滑参数时人为因素的影响,由神经网络直接输出未知节点坐标.仿真实验表明,通过果蝇算法优化的FOA-GRNN模型的节点定位精度比未经优化的GRNN模型的节点定位精度高.同时,比较了FOA-GRNN模型与BP神经网络模型、虚拟节点BP网络模型(VNBP)在WSN节点定位中效果,表明FOA-GRNN模型在WSN节点定位精确性方面具有明显优势.     

重型变速箱壳体模态频率激励下声品质预测模型

为探究重型商用车变速箱壳体噪声的声品质特性,采集了前10阶模态频率激励下的噪声作为声品质试验样本,分析了样本的物理学参数和心理声学参数,探究了声品质客观参数之间的相关性和主成分。运用成对比较法进行声品质主观试验,并进行了主观评价的一致性分析。建立了粒子群-广义回归神经元网络(PSO-GRNN)声品质预测模型,并与广义回归神经网络(GRNN)、粒子群-BP神经网络(PSO-BP)模型进行了对比。结果表明,模型平均预测误差低于5%,网络稳定性更好。可见PSO-GRNN网络能很好的预测变速箱壳体激励噪声声品质。     

快走丝电火花线切割加工工艺参数的优化选取

基于快走丝电火花丝切割加工机床性能的发挥在很大程度上依赖于操作人员的技术水平,用神经网络技术建立快走丝线切割加工工艺模型,与实验数据的比较表明,模型能精确地预测出给定条件下的切割速度和表面粗糙度,反映了该机床的加工工艺规律,在此基础上根据工件的实际厚度和表面粗糙度要求得到最优的加工参数组合,克服了工艺参数的局限性。     

基于支持向量机的超声强化加工表面性能预测

在超声振动挤压强化加工中,利用支持向量机的回归原理研究了工艺参数与工件加工表面性能之间的非线性关系。在45号钢超声强化加工正交试验的基础上,选取主轴转速、工具头振幅以及挤压次数3个因素中的最优参数,根据等差原则,在进给速度和挤压力参数各取28组数据基础上,实验测得其表面粗糙度和硬度;将所得数据代入支持向量机模型,建立超声强化加工粗糙度和硬度曲线非线性特性模型和回归函数,并进行实验验证。结果表明:预测数据与原始数据基本吻合,证明此模型可以有效预测加工后零件的表面粗糙度和硬度。     

基于文化萤火虫算法-广义回归神经网络的船舶交通流量预测

为了给海事部门提供科学准确的船舶交通流量预测,本文提出一种基于文化萤火虫算法(CFA)来优化广义回归神经网络(GRNN)的算法(CFA-GRNN),对船舶交通流量进行预测分析.介绍了基于自动识别系统(AIS)的航道交通流量统计方法.利用快速排斥试验和跨立试验来判断船舶轨迹是否穿过航道某一断面的观测线,并将AIS数据中的经纬度数据转换为墨卡托平面坐标系数据.研究了GRNN的实现原理,CFA以GRNN输出均方差为适应度函数,以GRNN的输入层和隐含层中的权值、隐含层和输出层中的权值、隐含层的阈值及输出层的阈值为编码进行优化,进化目标是得到最合适、最优的神经网络结构.利用AIS收集统计到并经过预处理后的数据,应用CFA-GRNN对舟山螺头通航的船舶进行交通流量预测,并对试验结果和误差进行了统计分析.结果表明:CFA-GRNN与GRNN和萤火虫优化广义回归神经网络相比,泛化性能好,不易陷入局部最优,预测结果精度更高.本研究对船舶交通流量进行预测分析有着十分重要的理论和实际意义.     

基于深度学习的智能学习资源推荐算法

为了提高资源推荐性能,采用广义回归神经网络完成资源推荐.首先,提取推荐系统的用户和资源特征,选择两者的特征差异值之和作为推荐系统目标函数,然后构建广义回归神经网络(Generalized regression neural network,GRNN)资源推荐模型.考虑到GRNN训练效果对平滑因子和核函数中心的依赖性强的...