广义回归神经网络修正GNSS垂向坐标时间序列环境负荷效应

环境负荷通常会引起GNSS垂向坐标时间序列发生非线性变化,对其影响进行精细改正是GNSS坐标时间序列研究中的一项重要内容.传统的物理模型环境负荷改正方法在模型建立与参数求解等过程中需引入部分简化与近似,导致改正不够精细.本文引入数据驱动的广义回归神经网络(Generalized Regression Neural Network,GRNN)方法改善环境负荷修正效果.以川滇地区GNSS测站的垂向坐标时间序列为研究对象,首先基于变分贝叶斯独立分量分析(Variational Bayesian Independent Component Analysis,vbICA)技术分离坐标序列,分析得到周期性分量,发现大气及陆地储水负荷是引起测站坐标发生季节性变化的重要原因.然后通过GRNN建立与大气及陆地储水相关的环境因素数据和坐标时间序列数据之间的关联,进而消除坐标时间序列中两种环境负荷的影响.经数据驱动的GRNN建模修正大气及陆地储水负荷影响后,各测站坐标残差序列的RMS值平均降低了21.56%,而采用传统的物理模型方法修正后平均降低幅度仅为9.29%,可认为基于GRNN方法的改正效果更好.另外顾及地下温度、冰浓度、比湿、降雨率四种气候因素的影响建立GRNN模型,结果表明地下温度因素对川滇地区GNSS测站垂向坐标影响稍大.

基于鹈鹕优化算法优化广义回归神经网络的电动汽车充电负荷短期预测

针对目前电动汽车充电负荷预测精度不足的问题,提出了一种结合互补集合经验模态分解和鹈鹕优化算法优化广义回归神经网络的组合预测方法。首先,利用互补集合经验模态分解将电动汽车充电负荷时间序列分解成多个固有模态函数分量和一个残差分量。其次,对于分解后的固有模态分量容易出现冗杂信息,利用样本熵对分解后数值相近的固有模态分量进行相加重构,降低冗杂程度。最后,考虑广义回归神经网络的预测效果与平滑因子的数值有很大关系,利用鹈鹕优化算法优化广义回归神经网络的平滑因子,进而对电动汽车充电负荷进行短期预测。仿真表明,所提出的预测方法可以有效地提高电动汽车充电负荷的预测精度,具有较高的实用性。

基于木材振动特性的月琴声学品质广义回归神经网络预测模型

泡桐木始终是制造乐器谐振元件的重要材料,对乐器的音质有着重要的影响。采用广义回归神经网络(General Regression Neural Network,GRNN)建立基于共鸣板振动性能的月琴音质评价模型。以制造出的9把月琴为研究对象,根据月琴的音质评价以及制备月琴的共鸣板信息,提出月琴音质的预测模型。在180组数据中,随机抽取135组数据进行训练,其余45组数据进行验证。使用主成分分析方法、GRNN建立月琴声学质量评价模型,并进行仿真预测。结果表明,基于共鸣板的振动特性,利用Matlab仿真可以实现对月琴音质的预测,预测的准确率可达到91.41%。此外,研究还表明,泡桐木共鸣板的动态弹性模量、声辐射阻尼系数、弹性模量、剪切模量比、声阻抗,损耗角正切和声转化率等参数均是影响其制备成品月琴声学质量的重要因素。

基于广义回归神经网络的风力发电场设备温度自适应预测方法

传统预测方法很难有效处理风力发电场设备温度各种影响因素之间的非线性关系,从而导致预测结果的不准确。针对上述问题,研究一种基于广义回归神经网络的风力发电场设备温度自适应预测方法。分析风力发电场设备温度影响因素并收集这些因素对应的数据,组成样本,对样本实施离群值处理和归一化处理。利用广义回归神经网络自适应预测设备温度并利用鸽群优化算法(PIO算法)自适应调整广义回归神经网络预测模型参数——平滑因子σ,提高其自适应能力。结果表明,所研究方法的预测偏度最高误差仅为0.3℃,说明该方法在预测温度时具有良好的准确性,预测值接近实际值。

粒子群算法优化的广义回归神经网络求解流形学习样本外点问题

目前流形学习已成功应用于降维和数据可视化领域,但在监督分类中的应用效果并不理想,解决好样本外点问题对其应用效果至关重要。基于此,采用粒子群算法优化广义回归神经网络计算测试样本的低维嵌入,获得的结果可直接用于分类。借助粒子群算法的全局搜索能力对处理样本外点问题具有较好的预测性能;在使用糖尿病、虹膜和声呐三个公开数据集的实验中,粒子群算法优化广义回归神经网络的分类总体精度分别为77.63%、100%和88.89%,优于其他8种分类方法,表明该算法可行、有效;同时,该算法能显著降低数据复杂度,提高了预测、模式分类和机器学习的准确性。

基于广义回归神经网络插值的雷达引信回波模拟

为了更加精确地对雷达引信回波信号进行模拟,以北京市密云区数字高程模型(Digital Elevation Model, DEM)作为地形研究数据进行插值分析和回波模拟,提出了使用广义回归神经网络(Generalized Regression Neural Network,GRNN)进行插值的方法。在插值后的DEM仿真地形上,考虑地形起伏对雷达引信回波遮挡的影响,仿真得到传统插值算法和GRNN插值算法下的雷达引信回波图,通过内插精度和回波分析了算法性能。结果表明:在地貌类型以平原、丘陵为主的地区,相较于传统算法,本文算法能够描绘地形细节,更加精确地模拟回波分布规律。

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.

基于萤火虫算法?广义回归神经网络的光伏发电功率组合预测

随着光伏发电大容量地并入电网,其输出的随机性必将对大电网安全稳定运行造成影响,为此建立了一种变权重的光伏短期组合预测模型,首先通过主成分分析法(principal component analysis,PCA)将影响光伏出力的多重线性因素进行压缩、提取以简化模型输入变量的维数,然后将提取的第一主成分结合灰色关联度来筛选相似日样本,接着将样本分别带入最小二乘支持向量机、改进BP网络2种单一模型进行2次预测。第1次预测作为相似日预测,用来训练权重系数,训练方法是萤火虫算法优化的广义回归神经网络;第2次预测是待预测日的预测。仿真结果验证了所提模型的有效性。

基于广义回归神经网络的货运量预测

根据货运量形成的原因 ,分析了货运量和相关影响因素之间的关系以及货运量预测的特点。在此基础上 ,建立货运量预测的广义回归神经网络 (GeneralRegressionNeuralNetwork ,GRNN)模型 ,并以我国 1981～ 2 0 0 1年的货运量和相关经济指标的历史统计数据作为学习样本 ,通过拟合训练和外推预测分析 。

基于粒子群算法和广义回归神经网络的岩爆预测

岩爆是岩石深部开挖中一种常见的工程地质灾害。为评价岩爆发生的可能性,提出一种基于粒子群算法和广义回归神经网络模型(PSO-GRNN模型)的岩爆预测方法。该方法利用已有岩爆数据,通过神经网络技术建立回归模型,采用粒子群算法对模型参数进行优化,减少人为因素对神经网络设计的影响。据此方法,在能量理论的基础上,选取洞壁围岩最大切向应力、岩石单轴抗压强度、抗拉强度和弹性能量指数作为主要影响因素,利用国内外26组已有工程数据建立岩爆预测的PSO-GRNN模型。通过对苍岭隧道和冬瓜山铜矿岩爆预测的工程实例分析验证该方法的可行性和适用性。所提方法可为类似工程的岩爆预测提供参考。

基于广义回归神经网络的时间序列预测研究

介绍了广义回归神经网络的基本理论 ,提出了应用 BIC准则确定输入神经元数目的方法 ,将其应用于大型旋转机械振动状态时间序列的单步和多步预测 ,与传统的采用误差反向传播学习算法的三层前馈感知器网络 (BP神经网络 )的预测结果进行对比。结果表明 ,该网络的预测性能优于后者 ,即使样本数据稀少 。

基于广义回归神经网络的电离层VTEC建模

提出一种基于广义回归神经网络的电离层电子总含量建模的新方法。依据电子总含量的时空变化特性建立基于广义回归神经网络的区域电子总含量模型。结合实例,详细讨论训练样本的采样策略对网络模型性能的影响,并确定较优的模型光滑参数和采样策略。分别从理论和实例上与常用的多项式模型进行对比分析。结果表明在数据样本密集区域两者的精度相当,而在外推的空白区域内网络模型的精度优于多项式模型,验证网络模型的可行性和有效性。

广义回归神经网络在肾综合征出血热发病率预测中的应用

目的探讨广义回归神经网络(GRNN)在肾综合征出血热(HFRS)发病率预测上的优势及应用前景。方法利用1984-2002年沈阳市的气象资料(包括平均气温、相对湿度、降水量和日照)和动物疫情资料(包括鼠密度和鼠带病毒率)共6个指标作为神经网络的输入,将1985-2003年沈阳市HFRS发病率作为神经网络的输出。利用Matlab7.0软件中的神经网络工具箱分别构建HFRS发病率的GRNN预测模型和反馈(BP)神经网络预测模型,对样本进行拟合和预测并对两者的拟合和预测性能进行比较。结果GRNN的最优光滑因子为0.35;BP神经网络的隐含层数定为6。从拟合效果来看,GRNN和BP神经网络预测模型的平均误差率(MER)分别为25.42%和25.55%;两者的决定系数r2分别为0.9438和0.9729,总的来说,拟合效果比较满意,两者拟合差异不是很明显。从预测效果来看,两者的MER分别为4.90%和15.16%,GRNN的MER远远小于BP神经网络;两者的r2分别为0.9897和0.9516。结论GRNN充分体现了它在小样本预测中的优势,预测效果优于BP神经网络,对解决HFRS等流行情况影响因素复杂的问题有很好的实用价值。

广义回归神经网络在烤烟内在质量分析中的应用

采用广义回归神经网络分别对烤烟的主要化学成分与香气质、香气量、杂气、刺激、余味、劲头和烟气浓度等感官质量进行建模。结果表明,在训练集样本数据较少时,广义回归神经网络的预测准确度仍然很高。

基于广义回归神经网络与遗传算法的煤灰熔点优化

考虑固态和液态排渣锅炉对煤灰熔点的不同要求,采用广义回归神经网络建立了煤灰软化温度模型.神经网络的输入变量为7个,即煤灰中SiO2、Al2O3、Fe2O3、CaO、MgO、TiO2、Na2O&K2O的质量分数.以煤灰软化温度作为目标函数,采用遗传算法寻优计算获得当煤灰软化温度最高和最低时煤灰中氧化物的组成.广义回归神经网络仅需30个训练样本,最大和平均相对误差分别为21.8%和1.55%.优化结果表明,掺烧高钙煤或者向燃煤中添加石灰石等富含Ca的原料可以降低煤灰熔点;而增加Al2O3的质量分数可以提高煤灰熔点.

广义回归神经网络模型在短期电力负荷预测中的应用研究

介绍了广义回归神经网络(GRNN)的基本理论,指出其回归的实质就是对平滑参数的优化。考虑到常规差分进化算法容易“早熟,”全局寻优效率偏低,提出了基于优进策略的差分进化算法,利用种群繁衍的有用信息改进子代分布,并引入确定性寻优操作,实现了高效全局搜优。以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为短期电力负荷预测建模,获得了满意的预测结果。

基于广义回归神经网络的边坡稳定性评价

边坡失稳是比较常见的地质灾害,判定其稳定性的方法很多,在使用过程中也暴露出了这些方法的缺陷。针对这些问题,构建了适合于边坡稳定性评价的广义回归神经网络模型,并运用Matlab的神经网络工具箱进行了分析和计算,使用了相关数据来训练和测试该模型的可靠性和可行性。结果表明,广义回归神经网络模型在使用过程中需选择合适的光滑因子,而所得出的数据与实际结果较为相符,解决了之前使用的BP神经网络模型的缺点,具有很好的工程运用前景。

基于广义回归神经网络的油纸绝缘变压器的寿命预测

文中基于广义回归神经网络(GRNN)技术挖掘数据变化规律,构建了GRNN神经网络预测模型,运用该模型对油纸绝缘变压器进行寿命预测。将变压器绝缘纸老化过程中生成的特征产物如糠醛、CO2和CO的质量分数,以及相关时间参量作为模型输入。将所采集的多组油纸绝缘变压器的测试样本作为基础数据,运用该模型对相应的变压器进行寿命预测。结果表明,模型寿命预测的输出值与实际值基本一致,从而验证了模型的合理性,这对监测绝缘材料老化状态的进一步研究具有现实意义。

广义回归神经网络在燃气轮机排气温度传感器故障检测中的应用

燃气轮机电厂实际运行中,涡轮排气温度是一个重要的热参数,其传感器的状态直接影响到排气温度观测值。应用广义回归神经网络(general regression neural network,GRNN)构建了涡轮排气温度传感器状态自动检测用的网络,并从网络的最优化设计、误差控制及网络实际效果检测等方面进行了分析和研究。同时,提出传感器状态判断阈值的建立方法。以某厂实际使用的排气温度传感器为实例进行了验证,证明所建立的GRNN网络对机组传感器的状态检测有较好的工程应用价值。