改进的MVO-GRNN神经网络岩爆预测模型研究

准确预测岩爆烈度等级能有效指导岩爆灾害的防控。根据影响岩爆发生及烈度等级的3个因素构建岩爆评价指标体系,提出一种基于改进多元宇宙算法(Improved Multi-Verse Optimizer,IMVO)优化广义回归神经网络(General Regression Neural Network,GRNN)的岩爆预测模型。在普通多元宇宙算法(MVO)的基础上,运用自适应平衡机制调节MVO算法中的虫洞存在概率(V_(WEP))和旅行距离率(V_(TDR))两个重要参数来改进该算法;再运用改进的多元宇宙算法优化广义回归神经网络的光滑度,通过训练数据优选出最佳光滑因子σ,得到IMVO-GRNN神经网络岩爆烈度预测模型;最后结合工程实例验证模型的性能。研究表明,该模型相比传统模型寻优能力更强,精度更高,为岩爆预测提供了一种新的思路。

基于Lasso-GRNN神经网络模型的北京市物流业碳排放量预测

在以“碳达峰、碳中和”为发展目标的背景下,本文构建了一个组合预测方法——Lasso-GRNN神经网络模型对北京市物流业的碳排放量进行分析预测。首先测算2000~2021年北京市物流业碳排放量,选取地区生产总值、物流业产值、贸易出口总额等20项指标变量作为北京市物流业碳排放量的影响因素,利用Lasso回归模型确定影响北京市物流业碳排放量的关键变量,在此基础上将筛选出的各指标值作为GRNN神经网络的输入变量,构建Lasso-GRNN神经网络模型对碳排放量进行预测。研究结果表明,Lasso-GRNN神经网络模型的预测效果明显优于PLS-GRNN和PCA-GRNN组合预测模型,该模型误差更小、精度更高,更适合用于碳排放量及其相关指标的预测。

基于GRNN神经网络的钢筋混凝土柱耗能能力预测

耗能能力是衡量钢筋混凝土柱(RC柱)抗震性能的重要指标,有限元模拟和试验法存在耗时耗力、成本高等问题。为此,文中提出了基于GRNN神经网络的RC柱耗能能力预测方法。从PEER数据库选取212组矩形柱,采用等效粘滞阻尼系数作为评价耗能能力的指标,利用MATLAB软件计算RC柱的滞回环面积和等效粘滞阻尼系数,通过SPSS显著性试验的方法评估影响RC柱等效粘滞阻尼系数的主要因素,建立RC柱等效粘滞阻尼系数神经网络预测模型。结果表明GRNN神经网络具有很好的表现,模型在测试集上的平均相对误差为21.33%,决定系数为0.792,等效粘滞阻尼系数预测值曲线与真实值曲线接近,具有良好的应用价值。

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。

应用GRNN神经网络模型计算西北干旱区内陆河流域出山径流

根据全球变化对 2 0 30年降水量和气温的预测结果 ,设置不同的气候变化情景 ,应用GRNN模型对黑河出山径流进行了预测。结果表明 ,到 2 0 30年 ,黑河出山径流将有小幅度的增加。随着气温的不断上升 ,出山年径流量最终将减少。

基于小波变换和GRNN神经网络的黑河出山径流模型

对黑河山区流域月降水量和气温做Harr小波变换 ,并作为GRNN神经网络的输入 ,对黑河出山径流进行模拟和预测验证 ,效果较好。应用全球变化成果 ,在不同的气候情景下 ,对黑河出山径流进行预测。结果表明 ,黑河出山径流在未来一段时间内 ,径流量会有一定程度的增加 ,最终会减少。但模型对气温反应不敏感。去除气温重构的细节系数后 ,气温也成为一个敏感因素 ,但径流量却随气温的增加而增加。可推断 ,引进Haar小波变换的GRNN神经网络模型可应用于径流量对气温不敏感的流域。

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络(GRNN),构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。

基于GRNN神经网络的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有十分重要的意义。由于参考作物腾发量与各气象因子呈非线性关系,将GRNN神经网络引用于参考作物腾发量预测中,并以铁岭市为例,对比分析了GRNN模型与BP模型的预测结果。分析表明:GRNN模型不仅训练速度快,还具有比BP模型更高的预测精度、逼近性和稳定性。

基于ICEEMDAN-GRNN神经网络的往复泵故障诊断方法研究

往复泵作为石油石化行业重要的输送设备,通过振动监测手段来保证系统的安全稳定运行具有重要的现实意义。如何对往复泵的非平稳和非线性信号提取特征并进行准确识别是诊断中的关键问题。针对往复泵故障特征的提取,提出了一种利用ICEEMDAN-GRNN神经网络相结合的诊断方法。首先利用ICEEMDAN对采集的原始信号进行分解得到若干个IMF分量,然后计算IMF分量的奇异谱熵并构造特征向量,再将特征向量输入到GRNN神经网络进行训练和模式识别。研究表明:该方法可以有效提取往复泵的故障特征并进行准确的模式识别。

基于GRNN神经网络的800H合金热变形预测

以800H合金的热压缩实验为基础,分析800H合金在不同温度和应变速率下800H合金的流动应变行为。基于800H合金变形温度、应变率、应变和应力的实验数据,建立关于800H合金热变形的GRNN神经网络预测模型。依据GRNN神经网络训练结果,选择平滑因子为0.2的网络。应力预测值和实验结果的相关性分析表明,建立的800H合金热变形行为GRNN神经网络模型稳定性高、泛化能力很强,可应用于其他合金的热变形行为预测。

基于GRNN神经网络的工件智能矫正算法

为了克服传统工件矫正方法的缺陷,提出一套完整的工件智能矫正系统,并在此基础上着重阐述了系统中基于GRNN神经网络的智能矫正算法。GRNN神经网络具有出色的预测、自学习、非线性映射以及容错能力,以此为基础的矫正算法,很好地解决了.传统矫正算法中非线性影响因素多、建模困难的问题。经过实验验证,本文提出的基于GRNN神经网络的矫正算法是可行和有效的。

基于BP和GRNN神经网络的乳房运动轨迹预测

用科学预测模型对乳房运动轨迹进行准确的预测,可以节约大量的计算和分析时间。分别建立BP和GRNN神经网络模型,将乳头点的运动坐标作为输入值,预测乳房其他4个部位的运送轨迹。结果表明,两种预测模型都可以较好地实现乳房运动轨迹的预测。BP神经网络可以预测出乳房4个测量点的运动轨迹,但要求样本量必须足够大,且网络参数不好确定,乳房轨迹预测时所需时间较长,效率低;GRNN神经网络克服了BP神经网络的缺点,预测值更接近真实值,4个测量点预测值分别比BP神经网络高出5.95%,5.33%,6.37%,6.97%,可以较好地预测乳房运动轨迹,其预测值分别达到了真实均值的94.68%,93.87%,93.76%,94.79%。

基于Lasso-GRNN神经网络模型的地方财政收入预测

针对地方财政收入,考虑到其影响因素复杂的非线性关系,给出一种组合预测方法——Lasso-GRNN神经网络模型。首先通过Lasso变量选择方法确定影响地方财政收入的主要指标,然后将筛选出的各指标值作为GRNN神经网络的输入,网络输出为对应的地方财政收入值,构建Lasso-GRNN神经网络模型来预测地方财政收入。文章以青海省海西州1994—2016年的地方财政收入及其相关数据为例进行实证分析,结果表明Lasso-GRNN神经网络模型的预测效果不管是收敛速度还是预测精度都优于Lasso-BP和Lasso-RBF神经网络模型。

基于GRNN神经网络的中厚板轧机宽展预测模型

为了实现中厚板轧机在轧制过程中的宽展变化自动预测和控制,分析了轧制过程中宽展变化的影响因素,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GRNN广义回归神经网络建立宽展变化预测模型,来提高轧制宽展变化预测的精度。结果表明,该方法建立的模型可以实现对宽展变化的预测,预测精度有较大提高。

基于GRNN神经网络的货运量预测研究

文章以全国统计局货运量的历史数据为基本数据,考虑影响货运量的8个因素,采用GRNN模型对货运量(货运总量、铁路货运量和公路货运量)进行预测,并将结果与真实值拟合比较。结果表明:该方法在预测货运量方面能够达到较好的效果,尤其在径向基函数的扩展速度为0.4时,预测结果最好。

基于GRNN神经网络的蒸汽平衡预测

针对大型化工企业蒸汽的生产、消耗平衡难以预测的问题,提出用GRNN神经网络进行预测的方法。采用实际生产过程中蒸汽产量、消耗量的原始数据,用MATLAB软件编程,根据蒸汽消耗量运用GRNN神经网络对蒸汽供应量进行模拟仿真;仿真效果较好,在实际中有广泛的应用前景。

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN(广义回归网络)的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。

基于GRNN神经网络的供应链安全库存预测

安全库存水平设置是供应链管理的重要内容,但因其影响因素多、关系复杂,预测难度大。神经网络在处理非线性问题有独特的优势。GRNN神经网络是建立在数理统计基础之上的一种新型的神经网络,具有良好的函数逼近效果。本文利用GRNN神经网络的方法进行供应链安全库存水平预测,详细介绍预测模型及其实施办法,并通过实例验证本方法的有效性。

基于GRNN神经网络的GH761合金力学性能预测

根据不同磷含量下的GH761合金力学拉伸实验,测得了抗拉强度、屈服强度、延伸率和面缩率的实验数据,利用Matlab神经网络工具箱建立了磷含量对GH761合金力学性能预测的GRNN神经网络模型。研究结果表明:GRNN神经网络模型能够很好的反映磷含量对GH761合金力学性能的影响趋势,相对误差很低,网络有很高的稳定性。

中央预算执行审计对象遴选方法探索——基于GRNN神经网络的部门预算违规率预测

在中央省部级单位众多、审计署人力物力资源有限的情况下,探索在年度中期实现对中央预算执行审计对象当年预算违规状况的预测,并据此进行审计对象的科学遴选,这对于提高预算执行审计效率具有一定的现实意义。本文利用MATLAB软件和2009年—2014年中央各部门预算执行审计数据构建了GRNN神经网络,对2015年各部门年预算违规比率进行预测,并与真实违规率进行比较,结果表明GRNN具有较好的预算违规预测能力。