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。     

基于高阶累积量和改进GRNN的CSI手臂行为识别

为了挖掘信道状态信息(channel state information,CSI)在手臂行为识别中的非线性深层特征,提高识别准确度,提出了一种基于高阶累积量和改进广义回归神经网络(generalized regression neural network,GRNN)的CSI手臂行为识别算法.离线阶段,将在不同手臂动作下...     

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。     

改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current, HVDC)输电线路故障识别方法识别准确率低,且无法同时准确识别低阻和高阻故障的问题,提出一种改进变分模态分解(variational mode decomposition, VMD)-多尺度排列熵(multi-scale permutation entropy, MPE)结合广义回归神经网络(general regression neural network, GRNN)的HVDC输电线路故障辨识方法。首先,采用鲸鱼算法改进后的VMD对故障电流信号进行分解,并选择合适的本征模态函数(intrinsic mode function, IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量;其次,将特征向量输入到GRNN网络中进行训练与测试,利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果表明,所提出的方法对HVDC输电线路不同类型故障辨识准确率高,无论发生低阻或高阻故障都能够准确辨识,耐受过渡电阻能力强,在小样本故障辨识方面性能突出,可靠性高。     

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.     

基于广义回归神经网络预测入炉煤发热量

针对煤的工业分析成份与发热量的经验公式应用的局限性,本文利用广义回归神经网络（GRNN）具有良好逼近任意非线性映射的特点,对入炉煤发热量进行了预测研究。预测结果表明,应用广义回归神经网络预测入炉煤发热量是可行的,预测相对误差在0.0049%～1.9024%之间,满足精度要求。     

基于Matlab和粒子群算法的磨矿技术效率预测模型

研究了磨矿时间、干矿质量分数和充填率对锡石多金属硫化矿磨矿技术效率的影响.结果表明,在最优的磨矿参数条件下,即磨矿时间为8min、干矿质量分数为65%、充填率为42%时,锡石和硫化矿二元结构所对应的磨矿技术效率最佳.通过Matlab的广义回归神经网络(GRNN)计算程序建立了一种磨矿技术效率预测模型,利用粒子群算法对模型参数进行优化,并通过试验验证了模型的适用性和可靠性.     

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.     

基于改进D-S的汽轮机组集成故障诊断研究

在分析与比较多个D-S合成规则的基础上,结合汽轮机组故障的特点,提出了一种基于改进D-S证据理论的集成故障诊断方法。该方法利用改进的D-S理论来表示和处理不确定的、模糊的信息,利用灰色理论和GRNN（广义回归神经网络）网络来处理证据理论中的基本概率分配问题,充分发挥灰色理论和GRNN的优点,提高故障诊断率。仿真结果表明,所提曲的集成故障诊断方法能有效地诊断汽轮机纽的故障,决策合理,可信度高,且能避免误诊现象,具有庭好的应用前景。     

基于模糊聚类广义回归神经网络的网络入侵研究

采用结合模糊聚类和广义神经网络回归聚类分析的方法,对5种网络入侵行为模式进行有效的聚类.首先用模糊 c 均值聚类算法将入侵数据分为5类,再将聚类的结果中最靠近每类中心的样本作为广义神经网络的聚类训练样本进行数据训练,训练输出的结果即为该个体所属的入侵类别.实验结果表明:新算法对网络入侵途径的分类精度更高,可为预防网络入侵提供更可靠的数据支持