GRNN与RBFNN的二元函数逼近性能对比研究

为了研究GRNN和RBFNN对于二元非线性函数的逼近能力,本文编程建立GRNN和RBFNN,并以具体的二元非线性函数为例,分别用2种神经网络对其进行逼近。仿真结果表明,相对于RBFNN而言,GRNN对于二元非线性函数的逼近精度更高、收敛速度更快,具有很好的逼近能力,为解决二元非线性函数的逼近问题提供了良好的解决手段。     

基于RBF神经网络对电磁力平衡传感器测量精度的研究

本文介绍一种利用径向基函数（RBF）神经网络改善传感器精度的新方法。RBF网络具有良好的非线性映射能力,能以任意精度逼近任何非线性函数。本文利用RBF网络较强的非线性映射能力对电磁力平衡传感器进行温度补偿．实验表明该方法实现了传感器高精度的温度补偿。     

基于神经网络的瓦斯传感器的非线性校正

文章提出了一种基于改进型BP神经网络的瓦斯传感器的非线性调校方法,该方法利用神经网络良好的非线性映射能力逼近反非线性函数,从而完成非线性校正。仿真结果表明:与传统的分段线性方法和BP算法相比,改进型BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校。     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。     

热电偶式风速传感器的非线性动态调校

介绍了以热电偶为检测器件的风速传感器的测量原理,在分析其输出特性的基础上,阐述了一种人工神经网络模型———Adaline模型的网络学习,逼近非线性函数的方法,利用神经网络对风速传感器的非线性进行校正,大大提高了风速的检测精度。     

基于神经网络的光纤光栅电流传感器的温度补偿

分析了光纤光栅电流传感器的温度特性,表明传感器的输出受环境温度的影响大且很难消除。利用神经网络具有可以逼近任意非线性函数的特点,提出了用人工神经网络对光纤光栅电流传感器进行温度补偿的方法,实现传感器输出特性的非线性校正。通过Matlab语言编程仿真实验表明,该方法可以有效地消除温度的影响。     

基于CMAC神经网络改善振筒式传感器静态特性

利用小脑模型连接控制器(CMAC)神经网络的非线性函数逼近,并以振筒式压力测试系统为例,提出了一种综合修正传感器静态误差的新方法。计算机仿真与实验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现。     

基于自适应模糊广义回归神经网络的区域火灾数据推理预测

针对基于反向传播(BP)神经网络和经典概率论及其衍生算法进行火灾损失预测时,存在系统结构复杂、依赖不稳定的探测数据、易陷入局部极小值等缺点,提出一种基于自适应模糊广义回归神经网络(GRNN)的区域火灾数据推理预测算法.在网络输入层使用改进模糊C-聚类算法,对初始数据进行权重修正,减少了噪声和孤立点对算法造成的影响,提高了预测值的逼近精度; 引入自适应函数优化GRNN算法,调整迭代收敛的扩展速度、变化步长,找到全局最优解,改善了过早收敛问题,提高了搜索效率.实验结果表明,该算法代入已确定火灾损失数据,解决了依赖不稳定探测数据问题,并且具有良好的泛化能力、非线性逼近能力.     

神经网络在电磁力平衡传感器中的应用

针对电磁力平衡传感器在实际应用中受温度等非目标参量影响而导致其输出数据不能准确反映目标参量的问题,提出了应用神经网络技术与电磁力平衡传感器相结合的方法.神经网络具有以任意精度逼近任何非线性函数的能力,利用神经网络中的BP网络较强的非线性映射能力,采用BP算法对传感器的原始数据进行修正.理论分析和仿真结果表明了该方法的可行性和有效性.由此说明,此种结合方法对于电磁力平衡系统的设计和应用具有较强的现实意义.     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于FOA优化GRNN的船用柴油机涡轮增压系统故障诊断

为了及时有效的发现并排除船用柴油机涡轮增压系统的故障,文中采用果蝇优化算法（FOA）对广义回归神经网络（GRNN）的分布密度SPREAD进行优化选取,提出了一种果蝇优化算法和广义回归神经网络相结合的故障诊断新方法。收集某型号船用柴油机的样本集,采用相同的训练样本分别对FOA优化GRNN和RBF神经网络进行训练,并用相同的测试样本对以上两种模型进行验证。结果表明,与RBF神经网络故障诊断方法相比,FOA优化GRNN对柴油机涡轮增压系统故障模式的识别准确率更高。     

Generalized regression neural network in modelling river sediment yield

The majority of the artificial neural network applications in water resources involve the employment of feed forward back propagation method (FFBP). In this study another ANN algorithm, generalized regression neural network, GRNN, was used in river suspended sediment estimation. Generalized regression neural network does not require an iterative training procedure as in back propagation method. The GRNN simulations do not face the frequently encountered local minima problem in FFBP applications and GRNN does not generate estimates physically not plausible. The neural networks are trained using daily river flow and suspended sediment data belonging to Juniata Catchment in USA. The suspended sediment estimations provided by two ANN algorithms are compared with conventional sediment rating curve and multi linear regression method results. The mean squared error and the determination coefficient are used as comparison criteria. Also the estimated and observed sediment sums are examined in addition to two previously mentioned performance criteria. The ANN estimations are found significantly superior to conventional method results.     

基于CVFOA-GRNN的飞机液压系统的故障诊断研究

针对飞机液压系统故障具有随机波动性和非线性的特点,基于仿真获取故障和正常数据建立液压系统故障诊断模型.因果蝇优化算法(FOA)寻优易陷入局部最优,改进果蝇优化算法的初始值散列方式和寻优步长,构建混沌变步长果蝇优化算法.通过改进的果蝇优化算法优化广义回归神经网络(GRNN),提高GRNN的非线性学习能力,最终构建CVFOA-GRNN (chaotic variable step size fruit fly optimization algorithm GRNN)模型.实验表明相比FOA-GRNN、GRNN和BP模型,本文模型在性能上更稳定、收敛更快,应用于液压系统故障诊断准确度更高,具有实用价值.     

基于广义回归神经网络的传感器故障诊断研究

针对诊断传感器偏置故障与漂移故障的难点问题,提出了一种基于广义回归神经网络(GRNN)的传感器故障诊断方法。该方法充分利用控制系统闭环回路测控信息,建立一组多输入单输出GRNN观测器,通过将观测器输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现控制系统传感器故障在线诊断。仿真结果表明:该方法可以快速准确地检测和分离传感器故障,辨识传感器故障类型、故障大小以及故障发生的时间。     

流形学习与非线性回归结合的头部姿态估计

流形学习的目的是发现非线性数据的内在结构,可用于非线性降维。广义回归网络是人工神经网络的一种,可用于非线性回归。基于流形学习和非线性回归,提出了用于解决头部姿态估计的ManiNLR方法。该方法首先用流形学习对图像数据进行降维,然后用非线性回归的方法将数据映射到线性可分空间,利用非线性回归的结果对人脸的头部姿态进行估计。实验结果表明,ManiNLR算法能够较好地估计图像中的头部姿态,并具有较快的速度和较高的鲁棒性。     

Nondestructive measurement of internal quality attributes of apple fruit by using NIR spectroscopy

Multimedia Tools and Applications - In this paper, a hybrid approach, which combines back propagation neural network (BPNN), generalized regression neural network (GRNN) and particle swarm...     

Learning experiments with genetic optimization of a generalized regression neural network

This paper reports a study unifying optimization by genetic algorithm with a generalized regression neural network. Experiments compare hill-climbing optimization with that of a genetic algorithm, both in conjunction with a generalized regression neural network. Controlled data with nine independent variables are used in combination with conjunctive and compensatory decision forms, having zero percent and 10 percent noise levels. Results consistently favor the GRNN unified with the genetic algorithm.     

APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN CONTROLLED DRUG DELIVERY SYSTEMS

Estimation of release profiles of drugs normally requires time-consuming trial-and-error experiments. Feed-forward neural networks including multilayer perceptron (MLP), radial basis function network (RBFN), and generalized regression neural network (GRNN) are used to predict the release profile of betamethasone (BTM) and betamethasone acetate (BTMA) where in situ forming systems consist of poly (lactide-co-glycolide), N-methyl-1-2-pyrolidon, and ethyl heptanoat as a polymer, solvent, and additive, respectively. The input vectors of the artificial neural networks (ANNs) include drug concentration, gamma irradiation, additive substance, and type of drug. As the outputs of the ANNs, three features are extracted using the nonlinear principal component analysis technique. Leave-one-out cross-validation approach is used to train each ANN. We show that for estimation of BTM and BTMA release profiles, MLP outperforms GRNN and RBF networks in terms of reliability and efficiency.     

花生四烯酸发酵过程的建模方法研究

对发酵法生产花生四烯酸的建模方法进行了初步研究,并基于四种温度下的试验数据,建立了发酵过程模型.比较分析了最小二乘支持向量机( LS-SVM)和广义回归神经网络(GRNN)这两种方法的特点.结果表明,这两种方法均能较好地建立该发酵过程的模型,LS-SVM建模的预测能力稍优于GRNN,为后续花生四烯酸发酵过程的优化及控制的研究奠定了基础.     

Modified multiple generalized regression neural network models using fuzzy C-means with principal component analysis for noise prediction of offshore platform

Neural Computing and Applications - A modified multiple generalized regression neural network (GRNN) is proposed to predict the noise level of various compartments onboard of the offshore platform....