基于RFID标签阵列的睡眠期间呼吸量连续监测系统

睡眠期间连续且准确的呼吸量监测有助于推断用户的睡眠阶段以及提供一些慢性疾病的线索。现有工作主要针对呼吸频率进行感知和监测,缺乏对呼吸量进行连续监测的手段。针对上述问题提出了一种基于商用无线射频识别(RFID)标签的无线感知用户睡眠期间呼吸量的系统——RF-SLEEP。RF-SLEEP通过阅读器连续收集附着在胸部表面的标签阵列返回的相位值及时间戳数据,计算出呼吸引起的胸部不同点的位移量,基于广义回归神经网络(GRNN)构建胸部不同点的位移量与呼吸量之间的关系模型,从而实现对用户睡眠期间呼吸量的评估。RF-SLEEP通过在用户肩膀处附着双参考标签,消除用户睡眠期间翻转身体对胸部位移计算造成的误差。实验结果表明,RFSLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度为92.49%。     

基于GRNN网络模型的土壤重金属空间分布的研究

以江苏省南通市为研究区,利用采样点实测数据,借助GRNN神经网络模型并结合3S技术对农田土壤重金属的空间动态分布进行了深入研究。结果表明,GRNN神经网络模型能够智能地学习各个采样点的空间位置与该点各重金属含量之间的映射关系,并能够稳健地对各个空间插值点处的土壤重金属含量进行预测;结果显示南通市农田土壤重金属污染总体较轻,但也存在局部地区的严重污染。在运用GRNN神经网络模型进行空间插值了解重金属空间动态分布的基础上,可以根据污染的状况确定农产品的生产布局和规划。     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

精馏塔系的软测量建模与优化策略研究

针对工业精馏系统操作优化的需求,在分析过程机理的基础上,本文基于广义回归神经网络和交叉验证等方法,建立了产品质量的软测量模型。随后,通过改进标准遗传算法的算子和结构,提出一种改进的求解有约束稳态优化问题的遗传算法,解决了常规优化算法在求解有约束优化问题时惩罚系数难以选择、易陷入局部最优、所得优化解可能不满足约束等问题。将其应用于以产品质量为约束的精馏塔能耗优化问题,可以求解得到精馏塔系"卡边"生产对应的最优操作条件。仿真结果表明该建模和优化策略具有优化结果好、计算效率高等优点,可为工业精馏系统的操作优化提供有效支撑。     

基于改进的GRNN的销量预测

根据灯具销量具有增长趋势和周期性二者合成的非线性特点,本文利用相空间重构理论确定GRNN的输入节点数,以加权误差代价函数代替传统误差代价函数为目标训练网络,采用粒子群优化算法优化平滑参数,并在此基础上将GRNN用于灯具销量的短期预测。与传统的BPNN相比,改进后的GRNN预测精度更高,抗噪声能力更强,模型更稳健。     

基于广义回归神经网络的传感器非线性误差校正

介绍了径向基函数网络的函数逼近原理和方法,提出了一种基于广义回归神经网络(GRNN)的传感器非线性误差校正方法。通过Matlab的Network Toolbox(神经网络工具箱),GRNN训练程序实现了输出特性曲线逼近。仿真分析表明:GRNN能够很好地满足传感器非线性拟合的要求,网络结构简单,收敛速度快。     

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.     

基于PCA的神经网络在港口货物吞吐量中的预测

分析选取了可能影响港口货物吞吐量的因素,采用PCA技术提取关键因子,最后以提取的关键因子作为神经网络的神经输入元,分别建立BP神经网络预测模型和GRNN神经网络预测模型。以上海港口为例,对港口货物吞吐量进行预测并对预测结果给予分析。     

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.