基于自回归RBF神经网络的帕金森状态预测

针对受控自回归模型辨识精度不高的问题,采用自回归径向基函数(RBF)神经网络辨识基底核(BG)模型的输入刺激频率与输出β频段(13~35 Hz)振荡功率之间的关系。采用梯度下降法确定模型参数,提高模型预测精度。在相同刺激条件下,以BG模型输出与模型预测输出之间的均方根误差(RMSE)和相关系数作为PD状态的预测指标。受控自回归模型辨识相关系数为84.07%,RMSE为27.96;RBF预测模型辨识相关系数为92.78%,RMSE为17.89,结果表明RBF预测模型辨识精度更高。利用自回归RBF神经网络模型能够很好地辨识刺激频率与β功率之间的关系,为以后依据β功率的变化选择恰当的刺激频率参数提供了更好的方法,减轻PD患者的痛苦。

地质勘测中力学参数反演问题的回归神经网络方法

针对地质勘查中如何确定土的力学参数问题,提出了一种基于神经网络的新方法。考虑到土的物理参数测定方法比较简单,且实测变异性小,而力学参数实测变异性大的特点,利用神经网络有较好的数值逼近能力的特点,建立了回归型RBF神经网络模型来逼近两者之间的函数关系。通过实例分析,该方法可以有效地反演力学参数。

融合深度学习与回归残差神经网络的流量预测方法

针对流量预测的精度不高的问题,提出一种融合深度学习与回归残差神经网络的流量预测方法。考虑到流量数据时空相关性,通过CNN-LSTM网络挖掘流量数据的时空相关性,在此基础上,构建回归残差RBF神经网络实现残差推理。实验表明,本模型比传统的模型误差3.3%左右,迭代速度提升15%左右,可以看出,模型在一定程度上提升了流量预测的准确性。

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.

基于泛化回归RBF神经网络铝带厚度控制系统的辨识

张力效应和速度效应是铝带精轧生产中进行厚度控制的关键,但目前尚不能完全从理论上建立一种普遍适用的数学模型。提出了利用泛化回归RBF神经网络对张力和速度控制系统建模,并根据实际生产数据进行训练和测试,仿真结果表明该模型提高了系统的控制精度,证明了该方法的有效性。

基于轴承温度模型的风电机组故障预测研究

采用风电机组状态监测技术可有效提高机组运行的安全可靠性。轴承是风电机组能量传递的重要部件,轴承的状态评估对机组安全运行具有重要意义。文章基于主成分分析方法,选取影响机组轴承温度的参数,提出了改进的线性回归径向基函数神经网络方法,建立了正常运行状态下轴承的温度预测模型;通过机组运行数据的分析比较,采用滑动窗口残差统计方法对机组运行状态进行实时监视评价发现,发电机出现异常时,轴承温度呈现上升趋势,残差值超过设定的置信区间,从而能实现对故障的有效预测。文章的研究结果可为风电机组的安全高效运行提供参考。