广义回归神经网络

摘要： 为了实现容器配额设置自动化和集群资源利用最大化,本文设计了一种容器配额优化算法.本文在长短期记忆(Long Short-Term Memory,LSTM)神经网络和广义回归神经网络(Generalized Regression Neural Network,GRNN)的基础上设计了深度神经网络(Long short-term memory and GRNN Network,LGN),并使用改进量子粒子群算法优选网络结构超参数,以实现自动调参和更快的收敛速度.容器配额优化算法步骤如下:首先根据历史数据使用LGN训练资源容量模型,然后使用改进的量子粒子群算法优化模型参数,最后使用资源容量模型计算容器配额.通过与谷歌容器垂直自动扩展器(Vertical Pod Autoscaler,VPA)和水平自动扩展器(Horizontal Pod Autoscaler,HPA)生成的配额进行对比发现,本文提出的优化算法较VPA和HPA降低了至少10%的资源分配总量,同时提升了至少6%的资源利用率.

摘要： 为提高微纳光学传感器的测温精度,基于多模微环谐振腔光芯片,搭建了高精度温度测量装置。装置通过采集微环谐振腔多模温度传感数据,利用人工神经网络算法有效融合多模传感信息,提高传感灵敏度。实验结果表明,多模传感方法在24.9~32.0°C的温度范围内,测量精度为±0.074°C,与单模微环谐振腔传感方法相比降低了温度探测极限。

摘要： 豆粕是大豆浸提取豆油后经适当干燥和热处理所得副产品,是制作禽畜类饲料的主要原料,其品质决定营养价值。针对现有豆粕品质检测方法存在着有毒化学试剂使用多、操作复杂、分析时间长、无法满足实际生产线快速检测及调控需求等问题,提出一种基于近红外光谱分析的豆粕品质多组分检测方法,以期用于产品质量在线检测及调控。从大豆油脂加工生产线上采集豆粕样品449个,利用105°C烘箱法、凯氏定氮法和索氏提取法分别测定样品的水分、蛋白质和脂肪化学值,采用瑞士BuchiNIRMaster傅里叶变换近红外光谱仪采集样品漫反射光谱。首先利用马氏距离法剔除异常样本,然后用多种方法对光谱数据进行降噪处理,对比分析发现小波去噪效果最优。分别采用KS和SPXY两种算法确定豆粕不同组分的最佳样本分集。为了探讨豆粕组分的近红外吸收特性,剔除光谱冗余信息,降低模型计算复杂度,采用区间偏最小二乘法(iPLS)对4000~10000 cm^(-1)全谱进行特征提取,优选出水分、蛋白质和脂肪的特征吸收波段分别为4904~5200,4304~4600和4304~4600 cm^(-1)。最后建立豆粕组分含量的广义回归神经网络(GRNN)预测模型。为了减少网络的输入变量,缩小网络规模,提高运行速度,采用PLS对光谱数据降维,提取主因子得分作为GRNN输入变量。通过交叉验证循环法优选网络参数光滑因子spread值,建立豆粕多组分含量PLS-GRNN预测模型,并与经典的PLS和BP模型对比,发现PLS-GRNN模型效果更优,其水分、蛋白质和脂肪的预测集R^(2)分别为0.9769,0.9402和0.9111,RMSEP分别为0.0912,0.3834和0.1134,RSD分别为0.79%,0.83%和8.53%。虽然脂肪的预测误差相对较大,但也在模型评定标准可用范围之内。实验表明基于PLS-GRNN的近红外光谱分析用于豆粕品质检测是可行的,能够用于实际生产过程中的品质监控。

摘要： 提出一种基于广义回归神经网络(GRNN)拟合光谱共焦系统的光谱响应以准确定位峰值波长。利用采集到的光谱信号作为样本数据,将光谱数据中的信号波长λ作为GRNN模型的输入变量,光谱波长的归一化强度作为输出变量,基于样本的输入变量和输出变量的联合概率密度函数作为验证条件,对光谱信号的预测输出进行Parzen非参数核回归,得到波长对应的归一化强度的最大概率输出值,实现光谱的重新表征。由于GRNN网络将输出变量附近样本点的权重考虑在内,因此一定程度上能够消除光谱信号随机噪声的影响,提高光谱信噪比,减小光谱信号的表征误差,提高峰值波长提取的准确性。实验表明GRNN模型对色散焦移的拟合系数为0.9999,系统分辨率约为2μm,测量误差的均方根误差约为0.01μm,优于传统的最值法、质心法、高斯拟合等算法,能够有效地抑制色散模型波长提取引起的模型波动,提高系统测量的分辨率与稳定性。

摘要： 为解决传统评价室内装饰设计界面材料生态学属性的方法受评价人员主观感受影响较大、耗时较长的问题,探索室内装饰设计界面材料生态学属性评价的便捷、快速、客观且低成本方法。首先,采用问卷调查的方式获取材料在视觉、触觉和声学方面的评价结果,使用分位数转换算法消除人为主观因素影响,并结合层次评价法对复合塑料板材、实木板材、金属板材、玻璃板材、花岗岩板材和石膏板材进行客观生态学属性评价。分别使用支持向量回归(SVR)、广义回归神经网络(GRNN)和神经网络算法(BP),以材料的光泽度、光反射率、隔声和吸声这4个特性作为输入量,建立室内装饰界面材料生态学属性评价模型。运用均方误差(MSE)、相关系数、绝对误差和相对误差等评价指标评估不同模型的优劣程度。结果表明,3种模型均能够较好地给出评价,GRNN模型的效果最佳。使用基于GRNN模型的评价方法,仅需要测量材料的特性就可以得到客观的评价结果,极大地减少了评价过程的工作量,具有现实意义。

摘要： 针对行星齿轮传动系统典型故障的识别,提出一种基于信号混合特征和混沌果蝇优化算法-广义回归神经网络(CFOA-GRNN)的故障诊断方法。计算信号的几种典型时域统计特征,并通过小波包分解获取信号频域能量特征,得到信号混合特征向量作为广义回归神经网络(GRNN)的输入;采用混沌扰动改进的果蝇优化算法对GRNN进行参数寻优,构建最优诊断模型;利用采集的行星齿轮箱实验台不同工况数据进行实验和对比。结果表明:所提方法能够有效识别不同工况下齿轮箱的不同故障;与其他模型相比,它具有参数设置简便、主观因素影响小、寻优速度快等优势,具有较好的实用性。

摘要： 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特点,引入差分进化(Differential evolution,DE)算法对GRNN的平滑因子和核函数中心偏移因子进行优化求解:选择最小特征差异值求解函数作为DE算法适应度函数,通过DE算法的多次交叉、变异和选择操作,获得最优平滑因子和偏移因子。最后采用优化后的平滑因子和偏移因子进行GRNN资源推荐,生成特征差异较小的候选资源序列作为资源推荐序列。试验证明,选择合理的DE算法交叉速率和差分缩放因子,能够获得较好的平滑因子和偏移因子,GRNN也能够获得更好的推荐效果。和常用资源推荐算法比较,对于3种不同的训练样本,该文算法能够获得更优的资源推荐准确率,且RMSE值较低。

摘要： 针对矿井涌水量预测研究中存在的相关影响因素考虑较少、模型预测精度不高和适用性不强的问题,建立了混沌理论与广义回归神经网络耦合的新的预测模型(Chaos-GRNN模型)。从理论上分析了矿井水文系统产生混沌现象的机理;由混沌理论得到涌水量序列相空间重构后的嵌入维数、时间延迟和最大Lyapunov指数,以此确定GRNN的输入层神经元个数、取值和预测时长;采用交叉验证法获得GRNN的光滑因子,建立Chaos-GRNN模型;对平煤十二矿涌水量(2014年1月至2015年12月)进行模型验证。结果表明:矿井水文系统演化过程的循环迭代是产生混沌的根本原因,其表象特征为演化过程的不可逆性、非平稳性和演化结果的多样性;平煤十二矿涌水量时间序列具有混沌特征,其嵌入维数m=7,即涌水量的影响因素为7个,GRNN输入层神经元个数为7;时间延迟τ为13个月,由此确定了GRNN输入层神经元的取值;最大Lyapunov指数为0.0530,确定了GRNN预测时长为19个月;Chaos-GRNN模型预测精度达到了94.98%。该预测模型利用混沌理论量化了广义回归神经网络的输入层和预测时长,充分考虑了矿井涌水量的影响因素,提高了预测精度和适用性。

摘要： 为了更好地解决单一钟差预测模型预测结果发散,预测精度差等问题,提出一种基于最小残差绝对值的径向基(RBF)神经网络和广义回归神经网络(GRNN)组合预测方法。该方法利用预处理差分数据,分别建立RBF神经网络预测模型和GRNN预测模型,然后进行数据重构;最后利用最小残差绝对值方法对两种模型进行组合。实验结果表明:组合模型预测精度高、稳定性好,12 h内的预报精度在0.6 ns以下,能够对北斗卫星导航系统(BDS)精密卫星钟差进行短期高精度预报。

摘要： 卫星遥测数据的变化能够反映卫星性能和状态的改变,对其变化趋势进行预测可以为卫星在轨运行管理提供保障。本文提出一种基于模糊信息粒化—广义回归神经网络(FIG-GRNN)模型的卫星遥测趋势预测方法,先对遥测数据进行模糊信息粒化,得到能够反映遥测变化趋势的模糊信息时序数据,再对得到的数据进行预处理并划分训练集和验证集,使用训练集构建广义回归神经网络遥测趋势预测模型,最后将训练好的模型应用于验证集,输出预测结果;通过对某卫星姿态角遥测进行趋势预测,验证了该方法的有效性。

摘要： 大跨度屋盖结构脉动风荷载特性复杂,一般需要通过风洞试验确定.典型屋盖的风洞试验数据的积累为相似体型屋盖结构风荷载取值提供了依据.为拓展典型屋盖风洞试验数据的应用范围,基于广义回归神经网络,结合典型球面屋盖系列风洞试验建立了大跨度球面屋盖的风荷载预测模型.其中,风荷载由平均风压系数、脉动风压系数、偏度、峰度、3个自功率谱密度参数(包括高频段衰减斜率、无量纲谱峰值和无量纲峰值频率)以及互功率谱密度相干指数8个特征参数描述.通过交叉验证和试算确定了广义回归神经网络模型中的平滑因子取值.以安庆电厂球面网壳结构为例进行了风荷载预测,通过对比预测风荷载与风洞试验得到的风振分析结果,验证了预测方法的可行性.

摘要： 在水下航行器的抗沉挽回操纵中,为了获取准确的预警信息以生成决策方案,关键问题是对水下航行器可否成功挽回的判定及挽回耗时的预估.提取了水下航行器在抗沉过程中的关键特征参数,并对这些参数进行离散化,进而基于水下航行器航行动力学模型仿真生成了相对掉深和挽回耗时的样本.在此基础上,应用广义回归神经网络(Generalized Regression Neural Network,GRNN)对离散样本进行训练.随机抽取样本外参数特征进行验证,结果表明所提出的方法能够达到较高的预估精度,为水下航行器抗沉挽回操纵预警提供了较为可靠的依据.

摘要： 本文将FAO56分册推荐的Penman-Monteith(P-M)法计算的ET0结果作为标准值,利用30年的温度和辐射数据学习出广义回归神经网络(GRNN)和极限学习机(ELM)的ET0模拟模型,并用二者后23年的预测结果与Hargreaves(H-S)法计算结果进行适用性比较分析.结果表明:在河北省地区ELM和GRNN模型预测值的精度、与P-M法计算结果的拟合性以及对ET0月平均累积值的偏差分析中均远优于H-S法,且在两种机器预测模型中ELM模型较GRNN模型适用性稍强.ELM和GRNN预测模型可用于河北省气象数据不足的区域进行ET0预测,精度较高,可靠性较强.

摘要： 针对煤与瓦斯突出存在诸多不确定影响因素的特点,在研究煤与瓦斯突出机理和广义回归神经网络的基础上,建立了煤与瓦斯突出的广义回归神经网络预测模型,提出了广义回归神经网络中的光滑因子优化选择算法,以提高模型预测精度.通过应用实例验证,预测结果精度高,与实际情况相吻合.研究结果证明了该方法的合理性和可行性,对煤矿提高煤与瓦斯突出区域的预测能力具有较大的参考意义.

摘要： 针对某炼铁厂,建立了高炉炼铁的铁素平衡模型,利用模型对高炉铁水和炉渣产量等物流参数进行了计算,计算结果与实际生产数据进行了比较与滤波处理,从而得到了比较可靠的物流生产数据.为了预测铁水温度、BFG产量、BFG热值和日发电量,利用广义回归网络建立了高炉炼铁工序的神经网络模型,并采用平衡模型的计算结果和其它生产数据对网络模型的进行了训练和验证,验证结果表明神经网络模型是比较准确、可靠的.在此基础上提出了高炉炼铁工序能耗预测的计算方法,与实际生相比,该方法精度和靠性比较高,为组织生产能耗预测提供了可靠的方法.

摘要： 为了对船舶主动力装置系统中的热力性能参数(排气温度等)进行预测研究,以实现对其故障状态预报.本文利用泛函分析的方法,提出了一种基于广义回归神经网络(GRNN)的时间序列预测模型,在此基础上建立了基于广义回归神经网络的船舶主机排气温度预测模型.最后,通过某船舶主机排气温度实际案例的预测对该模型进行了验证,实验结果表明:基于GRNN网络时间序列模型的预测平均相对误差为0.794％,较可靠、准确,优于传统BP神经网络的预测结果.

摘要： 基坑工程由于受多种因素的影响,目前已成为岩土工程中的重点和难点.在基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制.通过现场监测的深基坑围护结构变形信息资料,对实测数据进行整理和分析,利用神经网络对围护结构的变形做出预测的智能化施工成为基坑工程的发展趋势之一.研究了一种基于遗传算法的广义回归神经网络学习算法.该算法运用遗传算法寻找广义回归神经网络唯一参数光滑因子的最优解,将最优解赋予广义回归神经网络进行预测。在时间序列预测中,工程实例计算证明了遗传-广义回归神经网络预测的有效性和可行性,为时间序列预测提供了一种新途径.

摘要： 近年来人工神经网络在大坝监测资料分析及预测中的应用越来越广泛,并取得良好效果。而由于广义回归神经网络具有柔性网络结构和很强的非线性映射能力以及高度的容错性,非常适合解决非线性问题。并且在预测能力以及学习速度上都比BP神经网络有明显的优势,且在样本较少时,预测效果也较好,在大坝安全监测领域内应有广阔的应用。

摘要： 空调负荷预测是空调系统优化运行的基础.为提高空调负荷预测精度,本文将混沌和支持向量机应用于空调负荷预测建模,同时考虑了气象等负荷主要影响因素,以海南三亚市2座五星级宾馆1年的实际运行数据为基础,验证模型提前1h和提前24h的预测效果,并与基于混沌和GRNN的模型进行比较.研究结果表明:基于混沌-SVR的空调负荷预测模型具有很好的预测性能,明显优于混沌-GRNN预测模型,两座宾馆的提前1h预测期望偏差百分数EEP值均在5％以下,提前24h的EEP值均在6％以下;空调负荷混沌预测建模中,考虑气候等主要负荷影响因素是非常必要的,能够显著提高模型的预测精度.

摘要： 空调负荷预测是空调系统优化运行的基础.为提高空调负荷预测精度,本文将混沌和支持向量机应用于空调负荷预测建模,同时考虑了气象等负荷主要影响因素,以海南三亚市2座五星级宾馆1年的实际运行数据为基础,验证模型提前1h和提前24h的预测效果,并与基于混沌和GRNN的模型进行比较.研究结果表明:基于混沌-SVR的空调负荷预测模型具有很好的预测性能,明显优于混沌-GRNN预测模型,两座宾馆的提前1h预测期望偏差百分数EEP值均在5％以下,提前24h的EEP值均在6％以下;空调负荷混沌预测建模中,考虑气候等主要负荷影响因素是非常必要的,能够显著提高模型的预测精度.

摘要： 本发明提供一种基于广义回归神经网络的小电阻振动监测方法，包括：采集小电阻待监测的振动信号；对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；根据小电阻故障的特征，采用广义回归神经网络GRNN建立小电阻振动诊断模型，采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；基于所述振动信号在时域和频域上的数据和训练得到的小电阻振动诊断模型，进行振动信号特征分析，当小电阻振动诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。

摘要： 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法，属于燃气‑蒸汽联合循环发电机组状态监测与故障诊断领域。重型燃气轮机性能状态监测是其健康管理的重要组成部分。技术要点：选取代表燃气轮机性能状态的特征参数；通过机理分析获取边界条件参数；采集筛选历史健康数据和当前运行数据；数据归一化处理；建立广义回归神经网络预测模型，并进行网络模型的训练和测试；计算燃气轮机效率预测值与实际运行值之间的相对残差；用箱型图分析法确定燃气轮机效率处于异常状态时阈值；依据效率相对残差进行相应的监测和分析。本发明有效的提高了燃气轮机设备运行的安全性和可靠性，最小化故障带来的经济损失。

摘要： 本发明公开了一种基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法，包括如下步骤：搭建测试平台，测量并记录宽频段发信机全工作频段的非线性特征，收集测试信号的输入、输出幅度和相位值，以及对应的载波频率；根据载波频率对信号样本进行分段处理，利用幅度非均匀量化技术对输入信号的幅度进行量化，并通过动态记忆指纹技术来实现动态非线性指纹样本数据集的构建；使用动态非线性指纹样本数据集训练广义回归神经网络，结合最优化算法得到动态多核带宽广义回归神经网络模型，实现对宽频段发信机全频段非线性特征建模。

摘要： 本发明涉及一种基于广义回归神经网络的电能表状态分析评价方法，属于电力技术领域。该方法包括以下步骤：S1：采集数据；S2：数据预处理；S3：建立神经网络模型，并通过数据训练模型；S4：模型优化，确定模型的平滑因子；S5：模型分析及评价效果判定。可以对智能电能表运行实时信息数据进行，通过控制中心对电能表的运行状态进行判断，及时查出电能表的缺陷和不足，避免造成计量问题并带来损失。此外，还可使得检修活动更具有针对性，可提高智能电能表维护效率、避免人力资源浪费。

摘要： 本发明涉及一种基于优化广义回归神经网络预测工件表面质量的方法，包括：搭建铣削力、铣削振动、工件表面纹理及粗糙度采集系统，获取铣削过程中的力和振动的时域信号及工件表面粗糙度值和纹理图像；从三向铣削力和三向铣削振动加速度的时域信号中提取出降维铣削力均方根和降维铣削振动加速度均方根作为特征值，利用灰色共生矩阵获得工件表面纹理特征值：能量、对比度、相关性、同质性和熵；基于试验数据和粒子群优化广义回归神经网络建立以一维特征及二维特征值为输入参数，粗糙度为输出结果的多维特征预测模型。本发明的方法可预测铣削过程中的工件表面粗糙度，拓展了科学检测铣削过程中工件表面粗糙度的方式。

摘要： 本发明公开了一种基于广义回归神经网络的室内3D定位方法，涉及3D定位技术领域，通过对种群初始化的改进、控制参数的对数式调整以及适应度权值的引入，经过多次迭代，获得更佳的适应度值和更快的收敛速度。同时将其引入到广义回归神经网络模型中，利用优化平滑因子σ的取值，建立最优广义回归神经网络模型，准确定位待测节点的三维位置；本申请提供的一种基于广义回归神经网络的室内3D定位方法，通过引入改进的灰狼算法IGWO优化广义回归神经网络的平滑因子σ，有效解决了因人为选择参数不当而导致的预测效果不好和过拟合现象，提高了模型的预测精度，定位精度更高且寻优速度更快。

摘要： 本发明公开了一种基于广义回归神经网络的预测风速校正方法和系统，所述方法包括：收集风电场站的历史实测风速数据和数值气象预报数据；分析实测风速与预测风速之间偏差和各个气象因子之间的非线性关系；构建并划分训练数据集和验证样本集；基于广义回归神经网络构建风速预测校正模型，对模型进行训练和验证，所述风速预测校正模型为所述偏差和各个气象因子之间的非线性函数关系式；采用风速预测校正模型对未来预测的风速进行校正，评价校正结果。本发明可以提高风速预测精度，进而实现新能源场站发电功率的精准预测和电网调度中心辅助决策优化。

摘要： 基于粒子群优化广义回归神经网络和D‑S证据理论的电网分区故障诊断方法，通过改进图形分割法将大电网划分为相互重叠的不同子网；将保护和断路器的故障报警信息作为训练样本，通过训练每个子网的粒子群优化广义回归神经诊断模型，建立每个子网对应的故障诊断模块；根据故障警报信息，触发相应子网的故障诊断模块；根据报警信息的子网的数量以及是否相邻，判断故障是否发生在重叠区域，如果故障不是在重叠区域，则分析子网故障诊断模块的输出结果；如果故障在重叠区域，则通过D‑S证据理论再分析，通过融合相邻子网的诊断输出，得到诊断结果。本发明将电网划分为相互重叠且计算负担基本相同的子网，降低了电网结构的复杂性，提高了故障诊断效率。

摘要： 本发明涉及一种利用Mel频率倒谱系数的广义回归神经网络声信号识别方法，将MFCC和GRNN相结合，充分发挥MFCC富含声音特征和GRNN非线性拟合的优势，有效识别海豹种类。首先提取声信号的MFCC特征，做FFT和Mel滤波，求出L阶的MFCC，计算倒谱差分参数，进行GRNN模型的测试，其中利用k折交叉验证方法来确定最优扩展因子，该方法将训练数据划分为k折，并将其依次作为验证集用于测试，将得到的最优扩展因子用于GRNN的训练，并对测试声音数据进行识别。信噪比降低对GRNN方法影响最小，在信噪比为5dB以上时，GRNN方法可实现准确识别，在信噪比为0dB时，GRNN方法仍可实现大致识别。

摘要： 本发明涉及一种基于广义回归神经网络的均匀线列阵目标方位估计方法，设置对应角度范围的阵列接收到数据并进行范数归一化，以复声压的实部和虚部作为GRNN模型输入特征；使用k折交叉验证来确定最优扩展因子，选取扩展因子范围和步长，将得到的扩展因子用于GRNN模型的优化。最优扩展因子用于GRNN的训练，再以测试集测试GRNN模型的估计性能，训练和验证以及测试后的GRNN模型用于实时数据的方位估计。对各个信噪比下不同方法测试集的估计结果，可得到，在高信噪比下，GRNN方法有着较好的稳健性，在低信噪比下，仍有着较好的估计性能。GRNN方法在0°附近无明显影响，仍可有效估计目标方位，但在90°附近，在信噪比较低时，会出现较小的误差。