基于GRA和AHP的港口物流能力评价研究 3

在国内外相关研究文献的基础之上,科学地选取了具有代表性的14项指标,建立了全面评价港口物流能力的指标体系,运用层次分析法（AHP）和灰色关联分析法（GRA）对我国长三角五大港口的物流能力进行了分析比较,得到了这五大主要港口物流能力的评价值以及这五大港口之间横向比较的方法,为我国港口企业的发展提供了一定的依据。     

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.     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

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GRNN的电火花线切割加工工艺预测

将广义回归神经网络(GRNN)应用到电火花线切割多次切割加工预测中,减少参数选择的盲目性.采用正交试验的方法,进行放电脉宽、脉间、峰值电流、运丝速度、工作液及每次切割的偏移量对切割速度、表面粗糙度的影响试验,将实验数据作为神经网络的训练样本;将误差序列的均方差作为广义回归神经网络性能的评价指标.实验发现:利用GRNN网络的切割速度预测误差小于4％,表面粗糙度预测误差小于2％,预测精度较高,可以有效地指导加工参数的选择.     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

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.     

基于广义回归神经网络的PVC树脂颗粒特性预测

在工业生产中,聚氯乙烯树脂的颗粒平均粒径测试,通常采用批次结束后取样,在实验室离线分析得到,一般导致几小时的滞后,影响了先进控制技术的有效应用.另外,聚合过程呈现出高度的非线性特性.针对这些特点,采用广义回归神经网络对PVC树脂颗粒特性进行预测研究,应用结果验证了该方法的有效性.     

基于GRNN的中厚板轧机压力预测模型

为了实现中厚板轧机在轧制过程中的压力变化自动预测和控制,分析了轧制过程中压力变化的影响因素,在神经网络技术和现场实测数据的基础上,利用Matlab人工神经网络工具箱,应用广义回归神经网络建立压力变化预测模型来提高轧制压力变化预测的精度.经过对现场实测数据的处理,分析了工作辊直径和初始板坯宽度对轧制压力网络模型精度的影响.指出随着工作辊直径的增大,网络的精度逐渐降低;随着选用初始板坯宽度的增大,网络模型的精度逐渐增高.结果表明:该方法建立的模型可以实现对压力变化的预测,且预测精度有较大提高.     

基于广义回归神经网络的污垢热阻预测

在生产中,换热器受到污垢沉积的影响较大。为了研究污垢在换热设备中的变化趋势,实验模拟了金属-水-蒸气体系下的换热器动态循环系统,测量了流经换热管中冷却水的各种水质参数,并结合实验数据,建立了基于广义回归神经网络(generalized regression neural network, GRNN)的换热管污垢热阻预测模型。通过交叉验证确定了最佳平滑系数为0.2,预测样本与实测样本具有较高的拟合精度,其相对误差最大为8.91,符合工程要求,证明该方法是可行的。     

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4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,利用建立的模型对训练样本进行回判检验,并对测试样本进行预测,并同传统反向传播(back propagation, 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0.100 0,决定系数为0.986 8,均方相对误差为0.007 3,平均绝对误差为0.100 0,运行时间为5.2 s,预测精度和运...     

基于广义回归神经网络的发动机排放预测

神经网络是当前最主要的智能控制技术之一，它模拟人脑的结构及对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性，发动机性预测是根据发动机结构参数和运转参数估算推测发动机的各种性能指标，因此，可以利用神经网络的学习性的特点，借助针各咱影响汽油机燃烧过程的主要参数对汽油机的非线性影响以网络模型的形式表示出来，文中讨论了如何势开数学模建的方式，选用广义回归神经网络，进行发动机排放特性的预测，应用MATLAB软件工具箱编程，给出了一个汽油发动机的排放特性预测模型的实例。     

基于广义回归神经网络的沈阳房地产市场研究

通过广义回归神经网络对沈阳市房地产市场2003年至2009年相关数据进行训练,采用逼近性最好的光滑因子01,对2010年和2011年的数据进行预测,并与真实数据进行对比,得出沈阳市房地产开发投资额、商品房均价及空置面积均在高位运行.由此判断出沈阳市房地产市场仍处于繁荣期,但属于后期阶段,有出现房地产泡沫的可能,政府、房地产开发商、购房者应给予足够关注.     

基于改进层次分析法的汽车零部件物流网络规划

采用改进层次分析法进行汽车零部件物流网络规划研究.针对汽车零部件业务特点,以市场环境、运输配送和服务能力3大因素构建选址评价体系,根据评价的确定程度,建立确认度矩阵对层次分析法(AHP)进行改进.最后,以某著名物流公司的实例,验证了规划的效果和改进方法的实用性.     

基于改进广义回归神经网络的雷达故障预测

针对目前雷达故障预测存在的问题,提出了一种基于遗传算法(GA)的广义回归神经网络(GRNN)模型.该模型以前10个时刻的雷达状态为输入,以下一时刻状态及其变化速度为输出;利用遗传算法对网络平滑因子以及网络结构进行优化,以均方差(MSE)最小构造适应度函数.仿真结果表明,所提出的GRNN模型预测值与计算值的偏差系数2.62%,期望偏差率2.07%.     

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。     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

基于BP神经网络的实验室计算机故障率预测模型

随着信息化技术在各个学科领域的渗透,高校中越来越多的课程要求学生在计算机实验室完成相关操作,随着上机人次陡增,计算机的损耗也随之增大。为了更好地对实验室进行维护,以湖北大学知行学院计算机系2005年计算机实验室210台计算机的历史故障率为样本,采用JAVA语言,利用BP网络训练模型预测该批计算机的故障率,然后对照历史数据发现一定的误差,再利用增加动量项法对该BP算法进行改进,改进后的样本训练预测结果与历史数据基本保持一致。