基于 SSA-GRNN 的非接触式目标表面红外激光物性反演方法

在目标物性反演时,接触式测量方法在复杂环境下进行存在困难,而非接触式测量方法,由于测量数据相比接触式测量存在一定的误差,导致反演准确率受到影响。针对以上问题,提出了一种基于红外激光回波的非接触式目标表面物性反演方法。首先,测量不同目标表面的激光回波强度信息,采用麻雀搜索算法,优化并训练广义回归神经网络,建立红外激光回波强度预测模型;其次,分析测量距离、测量角度对激光回波强度的影响,建立材料表面激光回波强度数据库;最后,采集未知目标在四种距离下的表面激光回波强度信息,赋予材料种类编号,输入到回波强度预测模型中,计算预测值与实际值的相对误差,反演未知目标表面材料物性。实验结果表明:在反演目标相同的情况下,回波强度预测结果的均方根误差从传统网络的11.337降低到了优化后的2.482。优化后的神经网络模型的相对反演准确率可达88.89%以上,与传统方法相比,平均反演准确率提高了45.83%,文中所提方法具有较高的准确性和推广性,为武器系统非合作目标的探测、材料反演提供方法,提高了目标识别能力。

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GRNN-MC的变压器振动信号预测

变压器振动信号是评估其工作状态的重要参数之一,与绕组松动或变形等隐患密切相关,为揭示变压器振动信号的变化趋势,本文提出了一种基于广义回归神经网络和马尔科夫链修正的变压器振动信号预测方法。即分别以变压器运行电压、负载电流和振动信号归一化特征频率为输入和输出建立变压器振动信号广义回归神经网络预测模型,然后引入马尔科夫链并结合负载电流的变化对振动信号计算结果进行修正以获得最终的预测结果。对某500 kV变压器振动在线监测信号的分析结果表明:经马尔科夫链修正后的变压器广义回归神经网络振动信号预测模型预测精度高,可为变压器绕组运行状态的振动监测技术提供重要参考。

基于GA-GRNN的AWJ强化3D打印AlSi10Mg表面性能实验研究

为提高磨料水射流(Abrasive Water Jet,AWJ)强化工艺对3D打印AlSi10Mg表面性能的强化效果预测的准确性及高效性,首先开展磨料水射流强化AlSi10Mg表面强化实验;然后分别以表面硬度和表面残余应力作为目标,基于遗传算法-广义回归神经网络(Genetic Algorithm-Generalized Ragression Neural Network,GA-GRNN)对实验数据样本进行训练,建立3D打印AlSi10Mg表面性能预测模型;最后,利用遗传算法对建立的神经网络预测模型中的AWJ强化主要参数进行优化。研究结果表明,经过磨料水射流强化后的AlSi10Mg表面硬度与表面残余应力均得到有效提高;建立的GA-GRNN预测模型与校验值误差在2.3%以内,具有较高的准确性;经遗传算法优化后,得到表面硬度最佳参数组合:射流压力为33 MPa,磨料粒径为0.15 mm,靶距为12.4 mm,此时表面硬度为159.25HV;表面残余应力最佳参数组合:射流压力为40 MPa,磨料粒径为0.13 mm,靶距为15 mm,此时表面残余应力为-137.4 MPa。为后续磨料水射流强化零件表面的参数选择提供数据支撑。

基于SSA-GRNN的汽油机过渡工况进气流量预测研究

针对过渡工况下汽油机进气流量预测难度较高的问题,构建了一种基于麻雀搜索算法(SSA)优化广义回归神经网络(GRNN)的进气流量预测模型。该模型利用SSA算法对GRNN的平滑因子进行寻优辨识,并采用斯皮尔曼法和对比分析法提取模型的特征参数,以达到较好的预测精度和泛化性能。运用过渡工况进气流量样本数据对模型进行训练和预测,结果表明:在加减速工况下,SSA-GRNN模型预测值的平均相对误差均小于1%;相较于BP、RBF和GA-SVR进气流量预测模型,SSA-GRNN模型具有更高的预测精度和泛化性能,更加适用于汽油机过渡工况进气流量的预测。

基于改进GWO-GRNN的管道焊缝三维重构测量

为提高双目相机不同位姿下焊缝的三维重构测量精度,提出一种基于立体视觉图像误差补偿的管道焊缝三维重构测量方法。采用改进灰狼算法(IGWO)优化广义回归神经网络(GRNN)补偿焊缝三维重构图像点的坐标误差。采用混沌映射、非线性收敛因子和最优记忆保存思想对GWO算法进行改进,通过8个标准测试函数进行仿真验证;利用优化后的GRNN模型对图像点坐标误差进行预测和补偿,计算三维坐标重构出焊缝点云,三维测量焊缝的焊宽、余高和长度。试验结果表明:该模型在双目相机不同的位姿状态下都能较准确地实现焊缝的三维重构,焊缝的三维测量相对误差在0.9%以内。

基于GRNN的短期光伏功率预测

为提高光伏电站运营当中对输出功率预测的准确度,进一步提升光伏电站的智能化程度,降低光伏电站的运营成本,建立了一种基于GRNN算法的输出功率预测模型。模型利用GRNN神经网络的非线性映射能力预测短期光伏输出功率,可在同等条件下,相较BP神经网络预测算法得到更接近于实际的输出功率值。本模型发挥出GRNN算法结构简单的特性,在实验中实现了较高的预测准确度,同时有助于提高电网运行的稳定性。

基于SSA-GRNN的铜CMP抛光液抛光速率预测

铜化学机械抛光(CMP)是集成电路制造的关键步骤之一,其中铜抛光速率是衡量抛光液性能的关键指标。在CMP过程中,由于铜抛光液中各组分与铜之间的化学反应复杂,需要大量的数据实验来实现可调的抛光速率。为提高铜CMP抛光速率预测的准确性,利用麻雀搜索算法对广义回归神经网络的平滑因子进行优化,提出了一种基于麻雀搜索算法的广义回归神经网络(SSA-GRNN)铜CMP抛光液抛光速率预测模型。首先,在MATLAB中建立SSA-GRNN网络模型,然后输入抛光液各组分数据,预测在不同组分下抛光液的抛光速率,最后将SSA-GRNN模型的预测结果与BP神经网络模型(BP-NCABC)的预测结果对比。结果表明,SSA-GRNN模型在训练集上的平均绝对百分比误差(MAPE)比BP-NCABC模型降低4.82百分点,在测试集上的MAPE比BP-NCABC模型降低1.78百分点;SSA-GRNN模型在训练集上的最优预测精度比BP-NCABC模型提高0.09百分点,在测试集上的最优预测精度比BP-NCABC模型提高0.32百分点。上述研究结果表明,在CMP抛光速率的预测上SSA-GRNN模型比BP-NCABC模型的准确性更高,这为指导CMP实验、提升实验效率、降低研发成本和优化抛光液组分提供了一种可选的模型。

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。

改进GRNN网络预测致密砂岩气层压裂产能

致密砂岩储层孔隙度小、渗透率低、含气饱和度低,基本上没有自然产能,需要进行压裂,所以压裂产能的预测很重要。广义回归神经网络(GRNN)稳定,对样本数量的要求低。产能预测关键是样本的选取以及扩展因子的选取。在原有的GRNN预测产能的基础上,利用交叉验证法改进GRNN网络,选取最优的样本确定最优的GRNN网络结构,利用循环判断法,选取最优的扩展因子。改进的GRNN神经网络可以避免确定GRNN网络结构和扩展因子过程中过多的人为影响。笔者利用灰色关联分析法分析压裂产能的影响因素,利用改进的GRNN网络有针对性地建立适合苏里格地区致密砂岩气层的压裂产能预测模型。结果表明该方法在苏里格地区气层压裂产能预测中有较好的应用效果。

基于优化的GRNN和BP神经网络的磁滞曲线拟合对比分析

针对超磁致伸缩材料(GMM)的磁滞非线性,运用广义回归神经网络(GRNN)和前馈BP神经网络分别对GMM的磁滞回线进行非线性逼近,通过网络的训练、预测,与Jiles-Atherton(J-A)模型进行了对比,分析了两种神经网络的逼近效果,给GMM的运用起到了很好的指导作用。其中,在GRNN神经网络中,由于所取数据有限,为了扩大样本容量,采取交叉验证方法对GRNN神经网络进行了训练,采用循环算法找出了最佳的径向基函数扩展系数SPREAD,并对传统GRNN神经网络进行了优化。研究结果表明:优化后的GRNN神经网络对于磁滞回线的预测精度明显高于BP神经网络。

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题,将小波分析(WA)和GRNN神经网络联合使用,建立了中长期水文预测模型:即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。

基于广义回归神经网络(GRNN)的函数逼近

本文利用径向基网络的一种变化形式——广义回归神经网络(GRNN)提出了基于广义回归神经网络的函数逼近方法,利用matlab中的神经网络工具箱设计了GRNN模型,用于对非线性函数的逼近。通过网络的训练、测试达到了预期的效果,并与BP网络、RBF网络对比,说明GRNN网络的优势。

基于EEMD-GRNN方法的光伏电站短期出力预测

针对目前光伏电站短期出力预测准确性差的问题,提出EEMD-GRNN预测方法(集合经验模态分解和广义回归神经网络)。该方法首先根据天气变化情况将天气分情况为2大类——突变天气和非突变天气。然后利用EEMD分解法对分类天气历史小时出力数据进行分解,最后建立自适应GRNN预测模型进行预测并进行算例验证。结果表明EEMD-GRNN预测方法的预测误差满足预测要求,可使用该光伏电站短期出力预测。

GRNN在肌电预测踝关节运动中的应用

下肢运动预测对于步行康复机器人患者主动训练控制系统的设计具有重要意义。提出一种基于广义回归神经网络(GRNN)的利用肌电信号预测踝关节角轨迹算法:分别用肌电图仪和三维运动捕捉仪同步采集踝关节做屈伸运动时周围五块肌肉的肌电信号和踝关节角度,并对肌电信号进行特征提取。基于主分量分析的数值算法对肌电数据进行降维,得到肌电主分量信号。基于肌电主分量信号利用GRNN算法预测踝关节角轨迹,用黄金分割搜索算法确定GRNN中的最佳平滑参数σ。采用小波消噪算法对踝关节角预测轨迹进行滤波以提高预测精度。用上述算法对9名志愿者进行实验的结果表明:该方法预测精度较高,与BP神经网络预测算法相比运算时间短且预测误差较小,因而更适用于下肢关节角轨迹的在线预测。

基于GRNN网络和遗传算法的旋翼动平衡调整

针对传统旋翼调整方法没有考虑调整参数与振动信号之间的非线性关系,提出一种结合广义回归神经网络GRNN(General Regression Neural Network)和遗传算法的旋翼调整方法,采用GRNN建立旋翼动平衡调整模型,以桨叶调整参数作为GRNN输入,以旋翼转轴3个方向的加速度测量值和机身3个方向加速度测量值作为网络输出,建立调整参数与直升机振动信号之间的模型.以直升机振动作为目标函数,采用改进的遗传算法对桨叶调整参数进行寻优,获得直升机振动最小时的桨叶的调整量.飞行实验表明,通过1到2次飞行调整,可使3个方向机身振动(旋翼的一阶振动)为最小,完成旋翼的动平衡调整.

基于CNN-GRNN模型的图像识别

卷积神经网络(CNN)模型在图像识别中取得了良好的效果,但其识别精度还有进一步提升的空间。为此,设计一种新的图像识别模型CNN-GRNN。利用CNN提取样本图像中的多层次特征信息,将广义回归神经网络代替反向传播神经网络,以提高分类器的泛化能力和鲁棒性,通过均方差和降梯度法训练模型。基于COIL-100和手势库的实验结果表明,与灰度共生矩阵、HU距方法、CNN和CNN-SVM模型相比,CNN-GRNN的识别率分别提升了42.2%,13.43%,3.99%和1.86%,并具有较好的实时性。

基于sEMG和GRNN的手部输出力估计

针对智能肌电假手力控制的需要,提出一种基于表面肌电信号(s EMG)和广义回归神经网络(GRNN)的手部输出力估计方法。首先在介绍实验平台的基础上详细描述了肌电信号的采集和特征提取方法以及广义回归神经网络的构建;然后,通过在手臂8个不同部位粘贴肌电传感器来检测手部动作过程中的肌电信号;同时为了全面测量人手在三维空间中的输出力,采用三维力传感器对手部的输出力进行测量;在同步获得手臂上的多通道肌电信号(X)和手部三维力推拉信号(F)后,对采集得到肌电信号进行了特征提取得到特征矩阵X_F;将X_F和F用于构建GRNN网络,并用均方差和残差绝对值均值对手部输出力的估计结果进行评估。为验证该方法的有效性,进行了实验验证,结果表明,该方法能够很好地利用sEMG对手部的输出力进行估计。

GRNN模型在煤与瓦斯突出及瓦斯含量预测中的应用

煤与瓦斯突出的作用机理非常复杂,是诸多因素如地应力、煤层瓦斯、煤体物理力学性质等共同作用的结果。在分析广义回归神经网络(GRNN)的基本原理和算法的基础上,建立煤与瓦斯突出等级以及基于构造复杂程度定量评价的瓦斯含量GRNN模型。然后用收集到的工程实例样本训练和检验该模型。结果表明,GRNN模型具有很好的预测能力和泛化能力,能较好揭示瓦斯含量和诸影响因素间的关系,可用于煤与瓦斯突出判别以及瓦斯含量预测。同时可以看出,光滑因子的合理选取对于提高GRNN模型的预测精度非常重要,因此,在以后的实际应用中需要不断尝试,找出最合理的光滑因子。

基于火焰图像特征与GRNN的转炉吹炼状态识别

随着转炉冶炼过程的推进,炉口火焰图像在不同的冶炼阶段呈现较为明显的差别。根据火焰图像判断冶炼所处阶段的问题,其关键在于如何准确提取火焰的主要特征,提出了火焰边缘线不变矩特征,火焰图像Laws纹理能量特征,以及图像色彩特征,并研究了它们的变化过程。最后,利用广义回归神经网络(GRNN)建立图像特征和冶炼阶段之间的分类模型。实验结果表明,该方法能有效进行基于图像识别的转炉冶炼状态判断,具有较高的实用价值。