用小波包变换广义回归神经网络法处理硝基苯胺异构体重叠紫外吸收光谱

开发了一种小波包变换广义回归神经网络(WPTGRNN)法,用于处理对硝基苯胺、邻硝基苯胺和间硝基苯胺重叠的紫外吸收光谱,达到不经预先化学分离进行同时测定的目的。WPTGRNN法结合小波包变换和广义回归神经网络(GRNN)的特点,改进除噪质量和预测能力。通过最佳化实验,选择了小波函数、小波包分解水平及GRNN的平滑因子。实验结果表明,WPTGRNN法的预测标准误差为1.08μg/mL,预测相对标准误差为4.20%,与小波变换广义回归神经网络、广义回归神经网络和主组分回归3种方法进行比较,WPTGRNN法优于其他3种方法。

小波包变换广义回归神经网络分光光度法同时测定铜铅锌

本文建立了一种小波包变换广义回归神经网络(WPTGRNN)方法,同时测定Cu(Ⅱ),Pb(Ⅱ)和Zn(Ⅱ)。该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进除噪质量和预测能力。信号的小波包描述可提供信号的局部时间和空间信息,从而提高了信号和噪音之间的分离能力。除噪质量还可经最好基原理和阈值操作得到进一步改进。广义回归神经网络能克服反传训练所面临的收敛问题及促进非线性计算。通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子,偏最小二乘法(PLS)用于比较研究。编制了3个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算,所有组分的预测标准误差(SEP)和相对预测标准误差(RSEP)分别为8.0×10-7mol/L和5.5%,WPTGRNN法是成功的且优于GRNN及PLS方法。

小波包变换广义回归神经网络同时分辨三种有机化合物的重叠光谱

文章结合两种化学计量学技术,研制了一种小波包变换广义回归神经网络(WPTGRNN)方法,对光谱严重重叠的三种有机化合物进行同时测定。该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进了除噪质量和预测能力。通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子。偏最小二乘(PLS)法用于比较研究,编制了三个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算。结果表明,WPTGRNN法是成功的且优于GRNN及PLS方法,与GRNN方法比较所有组分质量浓度的预测值与实际值的相对预测标准误差由4.0%降低为2.3%。

使用广义回归神经网络的胎儿心电提取

针对胎儿心电难以提取问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法。利用广义回归神经网络(GRNN)估计母体心电信号传导至腹壁的非线性变换,将非线性变换后的母体心电信号从腹壁混合信号中减去,再通过小波包去噪技术抑制胎儿心电的基线漂移和噪声,得到清晰的胎儿心电。应用合成心电信号和临床心电信号完成实验,在胎儿心电和母体心电QRS波完全重叠情况下,提取出清晰的胎儿心电。实验结果验证了方法的有效性。

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型;首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的3种常见故障;通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。

基于CS优化神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断的预测精度较低的问题,提出一种基于布谷鸟算法(CS)优化神经网络的模拟电路故障诊断方法 (CS-GRNN)。选择广义回归神经网络(GRNN)作为网络模型,把小波包变换提取到的电路故障特征作为网络输入,运用布谷鸟搜索算法对GRNN进行网络参数优化,利用优化后的CS-GRNN模型进行故障诊断。实验结果表明,较其它诊断方法,CS-GRNN诊断模型只需迭代较少次数就可获得很高的预测精度,平均故障诊断正确率可达97.281 75%,具有明显的优势。

旋转机械故障类型识别的神经网络方法研究

广义回归神经网络(Generalized Regression Neural Network,GRNN)和概率神经网络(Probabilistic Neural Network,PNN)都是基于径向基函数的神经网络类型。广义回归神经网络通常用来实现函数逼近,而概率神经网络主要用于模式分类问题的研究。两者在机械设备故障诊断中均有广泛的应用。根据两种神经网络原理建立模型,对比分析广义回归神经网络和概率神经网络在旋转机械设备故障类型识别方面的优缺点。结果显示,两种神经网络在故障类型识别方面均取得了不错的效果,而概率神经网络相比广义回归神经网络而言,能应用更少的特征得到正确的结果。同时,将这两种神经网络得到的结果同BP神经网络和RBF神经网络得到的结果相比,发现GRNN神经网络和PNN神经网络具有更高的准确率和鲁棒性。

基于小波包分解和广义回归神经网络的换相失败故障诊断

为了实现高压直流(High Voltage Direct Current,HVDC)换相失败的快速诊断,提高交直流互联系统运行的安全与稳定性,提出了一种基于小波包分解(Wavelet Packet Decomposition,WPD)和广义回归神经网络(General Regression Neural Network,GRNN)的高压直流输电系统换相失败故障诊断方法,该方法对直流和交流的故障信号进行小波包分解,获取各频段下的能量系数,计算其小波包能量(wavelet packet energy,WPE)作为故障特征,再通过两种模式下的广义回归神经网络结构分别进行模式识别来判断是否发生换相失败以及引起故障的原因,并且对两种拓扑结构的鲁棒性对比分析。仿真和结果表明,两种拓扑结构均能很好的识别换相失败故障和直流线路故障,进而准确地诊断引起换相失败的原因,但模式一的鲁棒性较好。

基于小波广义回归神经网络耦合模型的月径流预测

针对中长期水文预报方法预测结果精度低的问题,将离散小波变换(DWT)与广义回归神经网络(GRNN)耦合,建立了月径流预测模型。通过DWT处理将原始月径流序列分解重构为确定性成分和随机性成分两个分量,对两个分量的GRNN模型预测结果叠加作为预测值的方法称为WGRNN1模型。将WGRNN1模型与剔除随机序列的GRNN模型(WGRNN2)和不进行离散小波变换的GRNN模型结果进行对比,采用平均绝对误差(MAE)、确定性系数(DC)和相关系数(R)为模型评价指标。将模型应用于黑河干流莺落峡站的月径流预测,结果表明:模型WGRNN2的评价指标优于WGRNN1,且这两个模型预测效果都优于GRNN模型。说明与离散小波变换的耦合可以提高GRNN模型对月径流的预测精度,同时剔除随机成分的小波广义回归神经网络模型有更好的预测效果,可应用于实际生产。

粒子群优化广义回归神经网络与HHT样本熵结合的地震辨识研究

天然地震与人工爆破信号具有许多相似的特性,为实现地震类型的准确辨识,提出一种基于粒子群优化广义回归神经网络和HHT样本熵的地震类型辨识新方法.该方法先通过经验模态分解(EMD)将初始信号分解成6个本征模态函数(IMF)及1个残余向量,对前三个IMF进行Hilbert变换得到瞬时频率和瞬时能量,进而提取出样本熵并构造神经网络训练集与测试集;利用粒子群算法和训练集优化广义回归神经网络的光滑因子参数值,建立PSO-GRNN分类模型.将该模型结果与BPNN模型、GRNN模型、PNN模型及RBFNN模型等神经网络模型进行性能对照,得到该模型单次识别的准确率、MAE、MAPE、RMSE R2及MSE分别为95%、0.1604、0.1204、0.2381、0.7123、0.0567,绝大多数性能评价指标优于其他4种神经网络模型.该研究建立的PSO-GRNN模型性能较稳健,在100次循环随机试验中辨识效果仍然较突出,计算得到的上述评价指标均值为97.42、0.04、0.04、0.12、0.89、0.02,其对应的标准差为3.53、0.05、0.04、0.08、0.11、0.02,将PSO-GRNN模型与HHT样本熵结合可作为天然地震与人工爆破事件辨识的有效方法.

基于广义S变换的长输管道泄漏检测和定位方法

基于广义S变换,研究了长输管道泄漏检测与定位方法。首先,针对泄漏信号的识别易受工况调节信号干扰的问题,对各类信号进行广义S变换时频分析,提取相应的特征向量。采用概率神经网络(PNN)作为分类器,对泄漏信号进行识别。然后,提出了一种基于相关性分析的广义S变换方法,精确获得泄露负压波到达管道首末站的时间差。利用广义回归神经网络(GRNN)拟合泄漏定位公式,确定泄漏点的位置。最后,通过对实际输油管线现场数据进行分析,验证了文中所提出方法的有效性。

基于小波神经网络的直升机主减速器故障诊断系统

应用离散小波变换(DWT)和神经网络相结合构建直升机主减速器速器故障诊断系统:DWT对振动信号进行特征提取,神经网络对故障进行辨识和分类。阐述了DWT、帕塞瓦尔定理和广义回归神经网络(GRNN)基本理论,提出了直升机主减速器的故障诊断系统流程图,最后用某型直升机飞行时主减速器上的振动数据对该系统进行验证。实验使用了BPNN(back-propagation neural network)和GRNN两种神经网络,结果表明:提出的故障诊断系统能对主减速器故障进行较好的辨识和分类,这将为直升机主减速器故障诊断系统的进一步开发提供新的技术参考。

基于小波包和BAGRNN的模拟电路故障诊断方法

为了克服模拟电路故障诊断中诊断模型预测精度普遍不高且训练时间过长的问题,提出一种基于小波包和BAGRNN的模拟电路故障诊断新方法.该方法选取比BP神经网络更具优势的广义回归神经网络(generalized regression neural network,GRNN)作为网络模型,用小波包变换获取电路故障特征,并利用全局搜索能力强,搜索速度快的寻优算法-蝙蝠算法(bat algorithm,BA)优化GRNN的平滑因子构建出BAGRNN模型,最后利用优化后的FOAGRNN模型进行故障识别分类.仿真实验结果表明,BAGRNN诊断方法较其他方法大大缩短了样本训练时间,具有很高的预测精度,平均诊断正确率可达97.187 5%.

基于小波包能量谱和改进FOA-GRNN的轴承寿命预测

为增强轴承退化特征信息,提高广义回归神经网络(Generalized Regression Neural Network, GRNN)的预测精度,提出了一种基于小波包能量谱和改进FOA-GRNN的轴承剩余使用寿命预测方法。首先,为提取和增强轴承退化特征,采取小波包能量谱对轴承振动信号进行分解,生成频带能量谱,以能量谱信息构建轴承退化特征;其次,为提高果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的寻优能力和寻优效率,提出了一种多种群自适应果蝇优化算法,引入自适应惯性权重,并应用于广义回归神经网络参数优化;实验结果表明,基于文中退化特征相比时域、频域特征,提高了预测精度,改进FOA-GRNN与FOA-GRNN、MFOA-GRNN、IFOA-GRNN相比具有较高的寻优精度和寻优效率。

基于数据分解与NARX优化的滇池COD_(Mn)时间序列预测

高锰酸盐指数(COD_(Mn))是衡量水体受还原性物质污染程度的重要指标之一。为提高COD_(Mn)预测精度,结合小波包变换(WPT)、成功历史智能优化(SHIO)算法和非线性自回归神经网络(NARX),提出WPT-SHIO-NARX COD_(Mn)时间序列预测模型。首先利用WPT将COD_(Mn)时间序列分解为1个周期项分量和3个波动项分量;然后简要介绍SHIO原理,利用SHIO对NARX输入延时阶数等超参数进行调优;最后基于调优获得的超参数建立WPT-SHIO-NARX模型对COD_(Mn)周期项及波动项分量进行预测,重构后得到最终预测结果,并构建WPT-粒子群优化算法(PSO)-NARX、WPT-遗传算法(GA)-NARX、WPT-NARX、SHIO-NARX、WPT-SHIO-极限学习机(ELM)、WPT-SHIO-BP神经网络模型作对比分析,并以滇池西苑隧道断面、观音山断面2004—2015年逐周COD_(Mn)监测数据对各模型进行验证。结果表明:WPT-SHIO-NARX模型具有较好的预测性能,西苑隧道、观音山在未来1周、未来2周(半月)COD_(Mn)预测的平均绝对百分比误差MAPE分别为0.108%和0.045%、0.151%和0.165%,对未来4周(1月)COD_(Mn)预测的MAPE分别为1.383%、0.809%,对未来8周(2月)COD_(Mn)预测的MAPE分别为6.180%、4.573%,预测精度优于其他对比模型;WPT能将COD_(Mn)时序数据分解为更具规律的子序列分量,提高模型预测精度;SHIO能有效优化NARX超参数,显著提升NARX性能,优化效果优于GA、PSO;NARX网络具有延时和反馈机制,更适用于时间序列预测,其预测效果优于ELM、BP网络。

优化HHT端点效应的新方法

在旋转机械的故障诊断中，希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析，然而，在HHT中会出现端点效应问题，且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题，提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓，再进行经验模式分解（EMD）。通过仿真与故障实验，在时域、频域和希尔伯特-黄谱的相关参数的情况下，对比镜像延拓优化的HHT分解结果，验证了所提方法的有效性。实验结果表明：所述方法能够有效地抑制HHT中的端点效应，且减轻了模态混叠和虚假IMF分量，同时能准确地表现信号的真实结构成分。

基于WPT和FOAGRNN的模拟电路故障诊断

为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明,FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。

应用化学计量学技术研究同时定量分析重叠光谱

在八种化学计量学除噪技术比较研究的基础上,研制了小波包变换Elman回归神经网络方法(WPERNN)用于研究重叠光谱的同时定量测定。结合小波包变换和Elman回归神经网络改进除噪质量及回归能力。通过最佳化,选择了小波函数、小波包分解水平和Elman回归神经网络(ERNN)的结构及参数。两个程序PWPERNN和PERNN被设计执行WPERNN和ERNN方法计算。七种化学计量学方法用于比较研究。实验结果显示WPERNN方法是成功的且优于其他六种方法。

基于熵值法特征筛选的GRNN降雹识别

针对冰雹监测难和冰雹灾情不易估计的问题,结合声信号的时域、频域特点,采用时域、频域和小波域相结合的特征提取方法,将熵值法与广义回归神经网络(GRNN)相结合,提出一种基于熵值法特征筛选的GRNN降雹识别方法。对采集的降雹和降雨声信号提取时域特征、频域特征和小波包能量谱特征,采用熵值法确定各特征的权重大小,剔除权重较小的特征项并进行特征融合组成新的特征子集,将特征子集输入GRNN进行预测识别。试验结果表明,该方法能够有效识别冰雹,且特征筛选后的识别率高达97.8276%,相较未进行特征筛选的特征集,识别率提高了近10%。

基于复合特征和FOAGRNN的心电图分类

为提高心电图分类的准确度,提出一种基于复合特征和FOAGRNN的心电图分类方法.该方法首先用核独立主元分析(KICA)对心电信号进行非线性特征提取得到特征向量A,其次采用小波包变换对心电信号进行多尺度分解,提取小波包节点系数重构后的归一化能量组成特征向量B,A和B组合成复合特征向量C作为心电信号特征,再者利用果蝇算法(FOA)优化广义回归神经网络(GRNN)参数构建出FOAGRNN模型,最后利用优化后的分类模型对心电特征进行识别分类.仿真实验结果表明,FOAGRNN分类方法较其它方法具有很高的分类准确度,分类正确率可达到99.0%.