基于GRNN的船舶柴油机NO_x排放预测

基于4190ZLC-2船用四冲程增压柴油机实验测得的数据,运用广义回归神经网络(GRNN)相关理论,以转速、功率、喷油提前角作为样本的输入量,以排放气体氮氧化物(NO_x)的体积分数作为样本的输出量,对输入数据进行归一化处理,对输出数据进行反归一化处理,建立船舶柴油机广义回归神经网络排放预测模型,在推进特性与负荷特性工况下利用该模型进行柴油机NO_x的排放预测。仿真结果表明,所提出的模型具有较高的预测精度,可为柴油机减少NO_x排放提供依据。     

由粗到精和特征筛选的精确回归预测方法及其在二语习得中的应用

针对数据分布不均匀且因素多而容易造成预测不精确的问题,提出一种结合由粗到精与特征筛选的精确回归预测方法.首先,由于数据分布不均匀且预测区间大,直接预测难以精确地拟合,提出一种由粗到精的预测方法,并使用决策树进行粗分类,预测目标所在的子区间,然后在子区间内实现精确的回归预测.其次,如果数据量少且特征因素多会引起过拟合,而且部分冗余特征会影响模型的预测精度,因此,提出一种基于特征筛选的回归预测方法以提高预测精度.在大学生的英语成绩与其人格因素数据集上进行相关实验,结果证明了由粗到精和特征筛选方法与传统回归模型相比精度更高且稳定性更好.通过提出的人格因素与英语成绩回归预测模型,可以制定合理的培养方案弥补学生人格因素中的短板,提升学生的自身竞争能力,从而更好地推动中国的英语教育.     

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法,神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．     

民用客机飞机机体设计费用预测模型研究及敏感性分析

由于普通飞机机体设计费用计算模型不涉及费用与飞机各主要性能、物理参数的关系,且无法便于进行相关敏感性分析,为了解决以上问题,提出了多种建立飞机机体设计费用预测模型的方法.针对民用客机飞机机体设计费用与客机各个性能物理参数,运用神经网络、线性回归、对数线性回归等不同的建模方法建立相关的费用预测模型,并对各模型通过实际值与预测值进行精度比较,得出最合适的预测模型.最后针对模型中各个输入参数进行敏感性分析.结果表明,通过这些方法能够建立起精度较高的飞机机体设计费用预测模型,为飞机设计研究人员提供相关的参考.     

粉煤灰高性能混凝土的非线性神经网络方法预测

由于废渣高性能混凝土的原料产地多、质量波动大,影响因素复杂,甚至存在诸多因素的交互作用,目前尚难用传统的统计或回归分析方法加以精确描述,本文引入非线性人工神经网络处理技术,利用已有的混凝土配合比（输入）及实测性能指标（输出）等试验数据来训练网络,建立混凝土输入-输出模式非线性映射关系,构造混凝土性能（主要是强度）模型,进一步提升混凝土某些性能的预测精度。     

基于灰色关联度分析和支持向量机 回归的沥青路面使用性能预测

沥青路面使用性能多因素预测是一个复杂的非线性问题,传统预测模型存在很多不足。为弥补传统模型的缺陷,建立一个高精度、长周期、多因素的预测模型,通过灰色关联度分析对各因素进行降维处理,选择与沥青路面使用性能关联度较大的影响因素进行支持向量机回归非线性预测,提出了基于灰色关联度分析和支持向量机回归(GRA-SVR)的沥青路面使用性能预测模型。最后选用广云高速实测车辙指数(RDI)值进行实例验证,并同GM(1,1)和PPI两种模型的预测结果进行了对比分析。结果表明:基于GRA-SVR建立的多因素预测模型具有很好的精度和可操作性,可在长周期过程中使用,为大数据养护决策提供了模型参考和依据。     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.     

用神经网络预测碳钢表面合金化处理后的耐腐蚀性能

采用ＢＰ神经网络建立了碳钢表面合金化处理后的耐腐蚀性能的预测模型,分析了网络结构对预测精度的影响,神经网络将寻求序列规律的过程转化为Ｒ＾ｎ→Ｒ＾ｍ逼近的非线性映射的非线性优化问题,适当增加输入单元的历史序列样本,可以得到对序列更为精确的预测,存在最优隐含层节点数。最后进行实际预测,结果表明,这一预测方法对金属材料耐腐蚀试验有指导意义,并具有一定的实用价值。     

锂渣聚丙烯纤维混凝土与HRB500钢筋黏结强度预测

为了预测锂渣聚丙烯纤维混凝土与HRB500钢筋黏结强度,根据劈裂破坏时黏结强度影响因素的非线性特性,建立了锂渣取代率、聚丙烯纤维掺量、相对保护层厚度和锚固长度等因素与黏结强度间的多元非线性模型。运用MATLAB软件的非线性回归命令求解模型中的各个待定系数,得到两个预测模型,并对黏结强度进行了预测。研究结果表明:预测模型1的相对误差平均值为1.39%,标准差为0.030 9;预测模型2的相对误差平均值为1.40%,标准差为0.031 0。两个模型的预测精度均较高,离散程度小,对实际工程有一定指导作用。     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

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.     

基于CF-EEMD-LSSVR算法的铅冶炼系统温室气体排放的评估与预测

利用碳足迹理论建立铅冶炼系统生命周期内各工序的投入产出模型,对单位产品温室气体排放进行评估。针对温室气体排放时间序列的非线性,建立1个基于集合经验模态分解法与最小二乘支持向量回归机相结合的预测模型。集合经验模态分解法首先将温室气体排放时间序列分解成一系列相对比较平稳的本征模函数分量,然后利用最小二乘支持向量回归机对各分量分别预测,最后进行叠加求和,将铅冶炼系统温室气体排放量的预测结果与实际结果进行对比。研究结果表明:预测结果与实际结果均方根误差为2.896 1%,所提出的方法可实现铅冶炼系统温室气体排放的精确评估与预测。     

基于Kriging模型的高压共轨柴油机标定应用

为解决电控柴油机随着控制参数的增多造成的标定工作量大、工作效率低的问题,将基于模型的标定方法应用于VMR425DOHC高压共轨柴油机的经济性优化过程中. 采用LHS-ESE算法设计控制参数的试验空间,根据获得的试验数据建立控制参数与响应数据之间的Ordinary Kriging代理模型,并在此基础上进行优化得到最终的控制参数MAP. 试验结果表明,对比常规标定方法,采用基于模型的标定可以使试验样本点选取更加合理,大幅提高试验标定效率,Kriging代理模型的使用使预测结果更为精确,最大误差率在2%以内,满足共轨柴油机建模需要,优化结果使发动机燃油经济性区域得到扩大.      

非均匀采样系统的支持向量回归建模与控制

针对非均匀采样系统提出了一种基于支持向量回归的预测控制算法.应用提升技术将非均匀采样系统分解为多个并列的子系统,建立了各子系统的支持向量回归模型,将该模型作为预测模型提出了新的优化目标函数,可将控制量更新周期内的系统输出作为优化目标.在多通道电液力伺服同步加载系统中的应用结果表明,该预测模型可以达到比较高的预测精度,且各子系统的模型有一致的预测误差水平.对加载系统控制的仿真试验结果表明,该算法有很好的控制性能,而且通过设计合适的优化目标函数,可以避免数字控制系统中的计算延迟和抑制期望轨迹突变时的超调.     

发动机控制器ECU中功率管的温度预测研究

为了准确预估发动机控制器ECU中的功率MOSFET管的温升情况,建立了一个针对工作于PWM脉宽调制方式下的功率MOSFET管的峰值节点温升预测简化模型,基于功率管的DATASHEET参数,模型可以快速地对工作于PWM调制方式下的功率管峰值节点工作温度做出精确预测.通过试验测量的温升结果和模型的预测温升结果的对比,验证了模型的温升预测精度,对温升的预测最大误差不超过2.3%.虽然温度预测模型是基于柴油机电磁阀驱动电路,但预测模型可以很容易地扩展到其他的功率驱动电路拓扑结构.     

基于BP神经网络的建筑施工事故非线性组合预测

以建筑行业百万元产值死亡率为预测对象,建立了非线性回归模型、三次指数平滑模型、灰色模型、线性组合预测模型和基于BP神经网络的非线性组合预测模型.结果表明,该非线性组合预测模型的拟合及预测精度均较其它模型有明显提高,能够有效地综合利用各单项预测模型所提供的信息,证明了该模型适用于对建筑施工事故的宏观预测,为非线性组合预测模型的构建提供新的思路.应用该模型对2014-2016年全国建筑施工百万元死亡率进行预测,计算结果表明,未来几年建筑业安全生产将会保持在一个较稳定的水平.     

压制生土砖强度的人工神经网络预测模型

为了获得压制生土砖抗压强度预测模型,针对成型压力、含水率、水泥含量及高厚比对压制生土砖抗压强度的影响,基于国内外研究中的91组压制生土砖抗压强度试验数据,分别建立了用于预测压制生土砖抗压强度的BP神经网络模型和径向基(RBF)神经网络模型,并将模型预测结果分别与试验结果及回归分析模型进行对比。结果表明:人工神经网络模型对压制生土砖抗压强度的预测精度显著优于回归分析方法;压制生土砖抗压强度与其配合比、成型压力及高厚比间存在复杂的非线性关系,回归分析模型不适用于解决此类复杂问题;BP神经网络模型的整体预测效果较好,但容易陷入局部最优;RBF神经网络模型能可靠地预测压制生土砖抗压强度,预测结果与试验结果比值的平均值为1.007,标准差为0.085,该预测模型具有较高精确度,能有效解决压制生土砖抗压强度与其影响因素间复杂的非线性关系,可为压制生土砖的配合比设计提供参考。     

工业电阻炉多参数能耗建模与预测

电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难.为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法.首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果.实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果.     

人工神经网络在水泵性能预测中的应用

分析了影响水泵机组性能变化的主要因素;根据泵性能与各因素之间的关系,利用BP人工神经网络构建了水泵性能的预测模型;以某轴流泵试验数据为样本,BP人工神经网络为工具,对轴流泵模型进行了泵扬程及效率性能指标与流量、叶片角度等相关因素间的性能预测研究.预测结果表明,将该模型用于轴流泵性能参数预测,不仅可以提高预测精度,而且可以缩短试验时间,降低试验成本.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。