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.     

广义神经网络在织物热传递性能预测中的应用

在分析织物热传递性能与相关影响因素之间关系的基础上,建立了织物热传递性能预测的广义神经网络模型(GRNN).并与传统的BP网络模型仿真结果进行了比较,结果表明:GRNN网络设计简单,学习收敛快,在解决小样本问题的学习中,具有更好的的预测和泛化能力,验证了GRNN网络预测的优越性和有效性.     

基于SqueezeNet的混凝土表面裂纹检测研究

针对检测混凝土表面裂纹缺陷时效率低、准确率不高等问题,提出一种基于SqueezeNet的混凝土表面裂纹检测方法.首先构建混凝土图像数据集,对数据集进行预处理操作;然后构建混凝土表面裂纹检测的SqueezeNet模型,设置网络模型超参数,并将数据集输入模型训练裂纹缺陷检测分类器;最后选择适合的评价模型分析结果.实验结果表明:该方法对混凝土表面裂纹检测准确率达到99.85％,能够高效的检测混凝土表面裂纹缺陷,为建筑质量检测智能化的研究工作提供参考.     

基于SqueezeNet的混凝土表面裂纹检测研究

针对检测混凝土表面裂纹缺陷时效率低、准确率不高等问题,提出一种基于SqueezeNet的混凝土表面裂纹检测方法.首先构建混凝土图像数据集,对数据集进行预处理操作;然后构建混凝土表面裂纹检测的SqueezeNet模型,设置网络模型超参数,并将数据集输入模型训练裂纹缺陷检测分类器;最后选择适合的评价模型分析结果.实验结果表明:该方法对混凝土表面裂纹检测准确率达到99.85％,能够高效的检测混凝土表面裂纹缺陷,为建筑质量检测智能化的研究工作提供参考.     

GRNN网络在企业盈利能力预测中的应用

探讨广义回归（GRNN）神经网络在企业盈利能力预测上的优势及应用前景．利用文献资料、MATLAB7．0软件中的神经网络工具箱分剐构建企业盈利能力的GRNN预测模型和BP预测模型,对样本进行拟合和预测并对两者的拟合和预测性能进行比较．GRNN的最优光滑因子为0．05;BP神经网络的隐含层数定为10．从拟合效果看,GRNN和BP预测模型的平均误差率分别为0．5687％和1．6008％．从预测效果看,两者的平均误差率分别为2．1678％和2．5176％．GRNN充分体现了在小样本预测中的优势,预测效果优于BP网络．     

基于广义回归神经网络的风电机组性能预测模型及状态预警

提出了一种基于广义回归神经网络（GRNN）的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用SCADA系统的真实历史数据,采用广义回归神经网络（GRNN）建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。     

基于神经网络正向模型和遗传算法的涡流检测自然裂纹形状重构

提出了一种基于神经网络正向模型与遗传优化算法从疲劳裂纹涡流检测(eddy current testing, ECT)信号重构裂纹形状的方法.人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹ECT信号进行了去噪预处理并提取了信号特征.随后通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型基础上,利用经过处理的裂纹ECT信号和裂纹形状参数样本库对径向基函数(Radial Basis Function, RBF)神经网络进行训练.遗传算法首先创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号,然后运用遗传策略进行迭代反演优化,搜索裂纹形状最优解.重构结果表明该方法具有快速、精确的优点.     

深度神经网络蛋白质溶解性预测模型设计

蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利用SCRATCH工具提取6维序列特征和51维结构特征作为额外特征,作为模型的另一路网络输入.依据数据特点,通过对卷积层的串并联结构调整组合,设计4种不同网络模型,实现蛋白质溶解性预测.通过对比试验确定网络结构和参数,结果表明基于深度双路卷积神经网络DDcCNN(Deep Dual-channel Convolutional Neural Networks)的蛋白质溶解性预测模型整体性能最优,其预测精度、查全率、查准率、MCC(Matthews Correlation Coefficient)等性能指标分别达到76.31%、65.31%、75.05%、0.55.并通过与基于传统的深度神经网络、支持向量机、随机森林、决策树建立的预测模型以及现有的研究成果进行比较试验,证明了本研究设计的有效性.     

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。     

BP模型在强度预测中的应用

在分析普通混凝土强度影响因素基础上，选取混凝土配料中7个因素作为输入值，混凝土28d强度作为输出值建立了混凝土强度预测的BP网络模型；讨论模型的学习样本、网络参数对预测精度的影响，从而选出最佳网络参数配置，并提高模型预测精度。     

基于GRNN的RGB到L＊a＊b＊色彩空间的转换模型

针对目前色彩空间转换精度低的问题,建立了一种基于广义回归神经网络（GRNN）的色彩空间转换模型．将RGB色彩空间进行分割,并将RGB值用Adobe Photoshop软件中的拾色器进行手工转换,得到对应的L＊a＊b＊值,从而得到建模样本和检验样本数据．用MATLAB7．5软件编程,建立RGB到L＊a＊b＊色彩空间的转换模型,并对其转换精度进行评价．检验结果表明,该转换模型精度高且训练速度极快,可应用于色彩管理的相关技术领域．     

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。     

基于小样本的GDI涡轮增压发动机性能预测方法比较分析

为了降低建立发动机性能预测模型消耗的实验成本，利用具有强大的非线性问题分析能力的机器学习算法：广义回归神经网络（general regression neural network，GRNN）和支持向量回归（support vector regression，SVR），预测GDI （gasoline direct injection）涡轮增压发动机性能。首先采用田口正交实验法和拉丁超立方算法确定训练数据和测试数据的操作点，然后基于仅包含25个样本的相同训练数据训练模型，使用100组相同的测试数据测试GRNN和SVR的预测性能并进行了对比研究。对比分析表明，在实验数据有限的情况下，GRNN有收敛到局部最小值的风险，而SVR可以找到最优的全局解，并具有良好的预测精度和泛化能力，因此SVR非常适合应用于GDI涡轮增压发动机性能预测，并将显著降低实验成本。     

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。     

基于LPV模型GRNN输气管道音波定位算法

针对输气管道泄漏检测及定位问题以及管道内气体可压缩、检测难等特点,建立了输气管道线性变参数(LPV)模型,并设计了广义回归神经网络(GRNN),以理论时间差为模型输入,以对应的管道各点位置为期望输出.采用音波法对输气管道进行泄漏故障诊断与定位.结合具体实例并采用现场数据进行仿真研究,结果表明:采用基于LPV模型的GRNN输气管道泄漏故障音波定位算法是一种有效的方法,可使预测值准确地跟踪真实值,实验结果为输气管道泄漏故障检测与定位的工业应用提供了可靠的依据.     

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.     

基于4类神经网络的国债利率期限结构预测

以2011年1月至2016年7月的国债月度数据为样本,研究了在利率期限结构预测中,反向传播神经网络（BPNN）、小波神经网络（WNN）、径向基神经网络（RBFNN）和广义回归神经网络（GRNN）4种网络中相关参数的设定对精度的影响,并对预测效果进行实证比较。研究结果表明：广义回归神经网络预测效果较好,反向传播神经网络预测结果波动性较小,小波神经网络和径向基神经网络预测结果波动性较大。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于小波神经网络熔丝堆积三维打印精度预测模型

摘要： 熔融沉积快速成形是一个多参数耦合的非线性过程,大量成形参数对成形件精度具有重要影响.为了弄清各个工艺参数对成形零件精度的影响,提高熔丝堆积三维打印产品精度,运用Matlab软件建立了利用成形工艺参数预测产品精度的小波神经网络模型,完成了算法设计.通过熔丝堆积三维打印实验采集样本,利用训练样本对所建立的网络进行训练,完成网络输入输出精度映射关系,并利用测试样本对所训练网络进行检验.仿真试验表明,产品精度预测模型具有很高的精度,验证了该预测模型在理论和实践上的可行性、有效性.把小波神经网络方法运用于熔丝堆积三维打印参数与成形产品精度之间的建模,解决了难以用数学方法建立精确模型的问题.