基于小波包-神经网络的MEMS加速度计零漂补偿

针对微机电系统(MEMS)加速度计零位漂移大的问题,研究了一种基于Birgé-Massert(BM)阈值小波包降噪的广义回归神经网络对MEMS加速度计零位漂移进行非线性抑制的新方法。该方法首先利用BM阈值小波包滤除零位漂移中的噪声,然后利用广义回归网络对非线性数据的无限逼近原理,来建立MEMS加速度计的零漂模型。将实测数据代入模型,计算结果表明,经过该模型补偿后的零漂输出结果同未经补偿、最小二乘拟合补偿、未经滤波建模补偿相比,均值分别减小97.4%、67.8%、67.8%,均方差分别减小87.4%、87.5%、90.9%;利用训练后的模型进行实时补偿延迟时间为10-5 s。分析结果证明了基于BM阈值小波包降噪滤波技术的广义回归网络组合模型的有效性和合理性。

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。

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。

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%。

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。

基于小波神经网络的新型配电网单相短路选线算法试验研究

含分布式电源的配电网发生单相短路故障时,各相短路电流的分布情况随之变化。通过对新型配电网的零序电流分布进行分析,提出用小波函数Db4对暂态零序电流进行4尺度分解,提取模极大值作为神经网络的输入,对BP神经网络进行训练,根据训练结果判断故障线路。Matlab/Simulink仿真实验表明,基于小波包变换和BP神经网络的选线算法具有良好的实用性与可靠性,且不受中性点接地方式、故障时刻以及接地电阻的影响。

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%。

小波潜变量回归和广义回归神经网络同时测定三组分混合物

本文采用小波潜变量回归 (WLVR)方法 ,同时测定重叠的光谱信号。结合小波阈值法和主组分分析 (PCA)改进除噪质量。八个误差判据用于推断因子数目。潜变量由小波处理过的信号投影到正交基矢量而获得。广义回归神经网络 (GRNN)被应用于多组分同时测定。依据算法原理编制了三个程序 (PWMRA、PWL VR和PGRNN)执行有关计算。三个方法 (WLVR、LVR(潜变量回归 )和 GRNN)同时测定三组分混合物 。

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。

改进鲸鱼算法在云计算资源负载预测中的应用

为了解决传统云计算资源负载预测方法对负载序列高频分量预测精度不高和泛化能力弱的缺点,提出一种混合小波包变换和正余混沌双弦鲸鱼优化(CSCWOA)算法优化多层感知器神经网络(MLP)的短期云计算资源负载预测方法。通过小波包变换对负载序列进行多频段预处理分解,然后采用CSCWOA算法优化的MLP神经网络,对单支重构所得的负载子序列进行预测;最后叠加各子序列的预测值来获取实际预测结果。实验结果表明,该方法能掌握负载序列各频段冲击毛刺的变化规律,具有较好的预测精度和泛化能力。

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WPT-VMD-BP的孤岛检测法

针对现有被动孤岛检测法检测盲区大、准确率不高的问题,提出了一种小波包(Wavelet Packet Transform,WPT)、变分模态分解(Variational Mode Decomposition,VMD)和BP神经网络相结合的孤岛检测法.采集光伏电站公共耦合点(PCC)处工况数据,并利用WPT对电压波形中的特定频率成分进行滤波;采用VMD将滤波信号分解为具有不同中心频率的模态分量,并将其合成所需的电压特征向量;利用BP神经网络对工况数据进行学习分类,判断是否发出并网断路器跳闸信号.通过PSCAD/MATLAB联合仿真,验证了所提孤岛检测法的有效性,并探究了不同干扰工况下该检测法的抗干扰性能.

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。

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。

基于改进FOA和GRNN组合模型的滚动轴承寿命预测

选择小波包能量谱提取与建立滚动轴承的退化特性,为保证GRNN达到更高预测精度,开发了一种经过优化的FOA-GRNN模型,并构建了一种多种群自适应果蝇优化算法(FOA)来实现对GRNN扩展速度Spread的优化,通过对比测试发现,采用小波包能量谱退化特性可以获得更高的滚动轴承剩余寿命预测精度。研究结果表明:以小波包能量谱方法滚动轴承退化特性提取,改进FOA-GRNN方法的均方误差为0.0036、平均绝对误差为0.0532、均方根误差为0.06041,表明采用本文滚动轴承退化特性可以实现对滚动轴承剩余寿命的准确预测。改进FOA-GRNN各项指标参数在所有方法中达到了最小,获得了较优结果,实现了寻优效率与精度的提升。该研究对提高滚动轴承故障诊断和寿命预测具有一定的理论支撑作用。

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。