PSO-GRNN算法辅助拉曼光谱解译牡丹籽油的复杂掺假行为

目前针对牡丹籽油掺假量化的研究工作仍集中于单一普通植物油的掺假行为,因此有必要考虑更加复杂的掺假造假情况。本文采用便携式近红外拉曼光谱技术结合粒子群优化广义回归神经网络算法(PSO-GRNN)助力解译牡丹籽油复杂掺假行为。首先,采用廉价葵花籽油和玉米油的混合油品作为掺假对象,并制备涵盖由低到高的牡丹籽油掺假浓度,且浓度梯度变化相对均匀。其次,使用便携式近红外拉曼光谱仪分别采集所有油品样本的拉曼光谱信号,并基于谱学分析对拉曼光谱进行人工降维和权重修正。最后,建立基于PSO-GRNN算法的定量分析模型。结果表明基于便携式近红外拉曼光谱技术结合PSO-GRNN算法可以实现对牡丹籽油复杂掺假行为的解译,该方案不仅可以实现对牡丹籽油浓度的预测,还可以有效评估多种掺假廉价植物油的浓度,其中测试集R^(2)>0.94,RMSE<0.036。本文深入研究了牡丹籽油可能存在的复杂掺假行为并提出了相应的解决方案,该方法对牡丹籽油市场监管和品质检测具有一定的借鉴意义。

一种SOM和GRNN结合的模式全自动分类新方法

非监督学习算法的分类精度通常很难令人满意,而监督的学习算法需要人工选取训练样本,这有时很难得到,并且其分类精度直接依赖于所选取的学习样本。针对这些缺陷,提出一种非监督自组织神经网络(SOMNN)和监督的广义回归网络(GRNN)结合的全自动模式分类新方法。新方法首先通过SOMNN将原始数据进行自动聚类,再用所得的聚类中心以及中心邻近数据点训练GRNN,然后根据GRNN的分类结果重新计算聚类中心,再根据新的聚类中心和中心邻近点训练GRNN,如此反复,直至得到稳定的中心为止。Iris数据,Wine数据的实验结果都验证了新方法的可行性。

基于LPSO-GRNN模型的螺栓松紧状态预测研究

在轴重式动态汽车衡的服役状态下,由于受到重型货车频繁的加卸载循环冲击,会导致其内部螺栓发生松弛脱落,针对这一问题,提出了一种基于莱维飞行改进粒子群算法优化的广义回归神经网络(LPSO-GRNN)的轴重式动态汽车衡螺栓松紧状态预测模型,并结合振动信号特征提取,将该模型应用于汽车衡螺栓松紧状态的预测。首先,研究并提取了螺栓不同松紧状态下输出振动信号的波形指标、峰值指标、脉冲指标、峭度指标等信号特征,并将其作为模型的共同输入特征向量;然后,采用莱维飞行提高了粒子群优化算法的寻优能力,通过产生随机步长,提高了算法的全局寻优能力,避免算法陷入局部最优值;利用改进的算法对广义回归神经网络(GRNN)的光滑因子进行了优化,得到了全局最优的光滑因子;最后,通过设计实验,分别使用广义回归神经网络(GRNN)、粒子群算法优化广义回归神经网络(PSO-GRNN)和LPSO-GRNN,以此来对螺栓松紧状态进行了预测,并将预测结果与实际情况进行了对比分析。实验结果表明:基于LPSO-GRNN建立的螺栓松紧状态预测模型,其预测准确率可达到95%。研究结果表明:该螺栓松紧状态预测模型可以有效提高汽车衡螺栓松紧预测的准确率,同时有效解决粒子群算法容易陷入局部最优收敛的问题。

苏里格地区三水模型与数学方法结合的致密砂岩储层评价

应用三水模型评价苏里格地区致密砂岩储层时,在孔隙度较高的层段,孔隙度和含水饱和度预测结果与岩心数据符合度很好;在孔隙度较低的层段,孔隙度预测结果符合度较好,但含水饱和度预测结果存在很大偏差。造成这一现象的原因是孔隙度较低的层段岩性更加致密,孔隙结构更加复杂,三水模型中的参数难以赋值。为此,提出三水模型与数学方法结合的致密砂岩储层评价方法,通过全区密闭取心资料分析确定三水模型处理下限,在下限之下的层段结合广义回归神经网络(GRNN)和粒子群-支持向量机(PSO-SVM)算法得到处理结果。三水模型结合数学方法在苏里格地区综合处理的结果与该区岩心数据符合度较好,说明方法是可行的。

基于PSO-GRNN方法的城市用水量短期预测

鉴于城市用水量短期预测中传统的神经网络训练易陷入局部极小点、收敛速度较慢等问题,采用具有全局随机优化思想的PSO算法对GRNN神经网络径向基函数的扩展速度进行优化,提出了城市用水量的PSO-GRNN神经网络预测方法。根据某市日用水量的实测数据进行建模和预测,通过与最小二乘模型、核估计模型、局部线性估计模型的模拟效果进行对比表明:PSO-GRNN网络具有较强的自适应能力和泛化能力,能够有效地提高用水量的预测精度。

基于PSO-GRNN的混凝土面板堆石坝渗透系数反演方法及应用

针对混凝土面板坝渗透系数反演维数高、计算复杂、耗时长的问题,采用正交试验设计构建渗透系数组合与测压点水头组成的学习样本,通过广义回归神经网络(GRNN)建立渗压监测点水头与渗透系数之间的非线性映射关系,并引入粒子群优化算法(PSO)搜寻适合特定工程的光滑因子σ值,提高模型的泛化性和收敛速度,建立了混凝土面板坝渗透系数反演的PSO-GRNN模型,并应用于工程实例。结果表明,基于该模型反演得到的渗透系数取值合理,渗流分析得到的渗压监测点水头与实测值相对误差最大为3.64%,精度满足工程需要。

基于改进的GRNN的固体氧化物燃料电池辨识模型研究

固体氧化物燃料电池(SOFC)作为一种新的能源形式,日益受到重视.针对SOFC系统过于复杂,现有的理论电压模型存在明显不足的特点,绕开了SOFC的内部复杂性,利用经过粒子群算法(PSO)优化的广义回归神经网络(GRNN)对SOFC系统进行辨识建模.以氢气流速为神经网络辨识模型的输入量,电流/电压为输出量,建立SOFC在不同氢气流速下的电池电流/电压动态响应模型.仿真结果表明所建模型能基本表示出SOFC系统的电流/电压的动态响应,说明利用GRNN建模的有效性,所建模型精度也较高.

神经网络在配网电能损耗预测中的应用研究

配网馈线和节点较多、负荷的多变,使得配网中的技术线损和管理线损分析预测困难。本文结合等值电阻法理论线损计算模型、BP神经网络、广义回归神经网络GRNN模型,对配电电网线损、电能损耗进行分析与计算,将理论应用到区域实测负荷数据和电量数据的分析中,分析了S区域线损率、线损和电能损耗,计算出了配电网电能损耗各元件所占的百分比。测试结果表明,BP模型对线损预测的均方误差为2.71;并在此基础上,考虑配电网变压器等损耗,利用PSO-GRNN模型对配电网的电能损耗进行预测,配网电能总损耗预测的均方误差为0.36,为区域电能损耗分析和降损工作提供了关键状态参数。

基于不同调整目标的旋翼动平衡调整研究

采用广义回归神经网络(GRNN)建立旋翼调整空间和直升机响应空间的映射关系,利用仿真程序生成的数据对GRNN网络进行训练和测试。然后结合粒子群-遗传(PSO-GA)算法对旋翼调整参数寻优。并对寻三种优化目标(基于桨尖轨迹、基于机体1/rev振动、基于桨尖轨迹和机体1/rev振动)的效果进行了比较,结果表明:调整算法可有效降低旋翼动不平衡的影响;基于桨尖轨迹的调整方法得到的机体1/rev振动不一定最小;基于机体1/rev振动、基于桨尖轨迹和机体1/rev振动这两种调整方法可有效降低机体1/rev振动,且对机体的锥体平衡有一定的改善。

基于GRNN和粒子群算法的酱油种曲培养条件优化

孢子数是酱油种曲质量的一个重要指标。为提高种曲质量,基于培养过程数据,给出一种广义回归神经网络和粒子群算法相结合的优化种曲培养条件方法。首先建立预测种曲孢子数的广义回归神经网络模型,并利用交叉验证确定GRNN模型的最优参数,而后使用粒子群算法寻优种曲培养条件。仿真实验显示优化结果可应用于实践指导生产,且算法易于实施、运行速度快。

基于PSO-GRNN模型的埋地管道腐蚀剩余寿命预测

目的构建埋地管道腐蚀深度预测模型,预测腐蚀管道的剩余使用寿命。方法依据ASME B31G剩余强度评价标准,给出管道的最大允许腐蚀深度计算方法,引入广义回归神经网络(GRNN),构建埋地管道腐蚀深度预测模型,采用粒子群算法(PSO)优化GRNN的网络参数,结合管道腐蚀发展趋势预测方法,对埋地薄弱管道进行腐蚀剩余寿命预测。以陕西省某埋地输油管道为例,选取8个主要外腐蚀因素,构建外腐蚀指标体系,借助Pycharm编程仿真,结合埋片试验,对该模型预测结果进行验证分析,并预测各腐蚀管段剩余使用寿命。结果与BP模型相比,PSO-GRNN模型的管道腐蚀深度预测结果最大相对误差控制在13.77%以内,平均相对误差仅为6.63%。寿命预测结果显示,部分管段的剩余使用寿命未能达到其预期服役寿命。结论所建模型预测性能要明显优于BP模型,预测精度更高,能够较好地预测埋地管道的最大腐蚀深度和未来的腐蚀发展规律,剩余寿命预测结果贴近实际,为管道的维修和更换提供了指导依据,在实际工程中,具有一定的应用价值。

基于PSO-GRNN的乳胶丝关键质量参数预测技术

乳胶丝生产过程控制复杂、性能指标多,工艺改进难度大,该文基于广义回归神经网络(generalized regression neural network,GRNN)与粒子群算法(particle swarm optimization,PSO)实现乳胶丝关键质量参数预测。首先,基于乳胶丝生产过程特性,以胶凝、清洗、烘干、硫化等过程的关键参数为输入量,300%定伸应力、拉伸强度及拉断伸长率为预测对象,建立其GRNN模型;其次,在GRNN模型中引入PSO,迭代计算光滑因子σ的最优解。最后,应用多重多元回归、GRNN、QGA-GRNN、PSO-GRNN等方法预测乳胶丝关键质量参数并进行对比。结果表明:引入优化算法的PSO-GRNN与QGA-GRNN模型预测均方误差最小、效果最佳,PSO-GRNN关键质量参数预测时间为4.82 s,仅为QGA-GRNN的3.53%。PSO-GRNN具有良好实时性,可以更好地满足乳胶丝在线生产质量预测需求。

基于PCA-PSO-GRNN模型的冻融期土壤蒸发预报

季节性冻融作用加剧了土壤蒸发的复杂性,准确预测冻融期大田土壤蒸发量对干旱半干旱地区水资源高效利用具有重要意义。基于2017-2018年冻融期大田土壤蒸发实测数据和影响土壤蒸发的气象资料,利用主成分分析法对气象数据进行降维,选取7个主要气象因子作为模型输入变量,采用粒子群算法选取最优光滑因子建立PCA-PSO-GRNN土壤蒸发预报模型。结果表明:PCA-PSO-GRNN模型的预测值和实际值拟合效果较好,均方根误差为0.0114 mm/d,决定系数为0.9921,均方相对误差为0.0029,平均绝对误差为0.007 mm/d,模型预测精度和泛化性能显著优于BP模型和标准GRNN模型,可用于冻融期大田土壤的蒸发预报。

基于PSO_GRNN网络的肺内静态压力值预测方法

为了实现机械通气辅助医疗中依据病人个体差异控制呼吸机通气参量,分析了基于广义回归神经网络(GRNN)的呼吸系统力学模型,通过结合PSO_GRNN网络、数值积分和递推最小二乘法等实现呼吸系统模型的参数辨识。采用直接计算法实现单周期呼吸样本的肺静态压力值计算,并利用二阶多项式拟合体积值误差,计算10个吸气周期静态数据点的平均绝对值误差为0.1693 mL,计算10个呼气周期静态数据点的平均绝对值误差为0.3728 mL。采用PSO_GRNN网络实现多周期呼吸样本集的肺静态压力值预测,10个呼吸周期样本集的训练集平均误差为0.0009 kPa,测试集平均误差为0.0407 kPa。仿真实验结果表明PSO_GRNN网络在收敛速度、平均误差、运算速度等方面均优于PSO_BP网络。所用方法在机械通气辅助治疗时可以为医生设置呼吸机通气参量提供有效的参考依据。

充填管道磨损风险的KPCA-PSO-GRNN评估模型及应用

针对影响充填管道磨损风险因素的复杂性和不确定性,为更加科学准确的预测充填管道的磨损状况,减少由管道磨损带来的矿山损失,构建了一种基于核主成分分析(KPCA)和粒子群算法(PSO)优化广义回归神经网络(GRNN)的充填管道磨损风险评估模型。建立充填管道磨损风险评估指标体系,运用KPCA,对数据进行特征提取,将其结果作为GRNN的输入,采用PSO算法优化选取GRNN的光滑因子,完成GRNN的训练和学习,将该模型应用于国内某矿山充填管道的磨损风险评估中,并与其它模型进行对比。结果表明,利用该模型可以准确的预测充填管道磨损风险等级,与实际情况相一致。工程应用实例表明,所建模型预测精度更高,适用性更好,对充填管道的磨损评估具有较好的借鉴意义。

基于PSO-GRNN的行人跌倒检测方法

跌倒得不到及时的救治是老年人发病或死亡的主要原因之一。基于此,提出一种基于粒子群优化广义神经网络(PSO-GRNN)的行人跌倒检测方法。采集行人跌倒和日常生活活动(ADLs)时腰部的加速度、角速度和高度数据,分析跌倒行为特征;基于广义回归神经网络(GRNN)和粒子群优化算法(PSO),构建了一种基于PSO-GRNN的跌倒检测模型;最后使用Matlab对模型进行训练和验证,并将PSO-GRNN模型与其他两种模型进行对比。结果表明,粒子群优化广义回归神经网络模型对跌倒的辨识精确度高,误报率较低。

PTA生产溶剂智能优化控制软件的开发与应用

在.Net开发环境下,利用C++语言开发PTA生产溶剂智能优化控制软件,并介绍了软件包的设计原理和基本框架。利用广义回归神经网络建立PTA过程模型,再采用粒子群智能优化法优化过程操作参数,软件系统操作简单、用户界面友好。该软件在精对苯二甲酸(PTA)生产装置的实用效果良好,降低了醋酸和蒸汽的消耗,并为优化各工艺操作条件提供了指导,产生了一定的经济效益,具有较好的推广价值。