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。     

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。     

基于神经网络模型的产品属性情感分析

针对基于词向量的神经网络模型在产品属性情感分析中效果不佳的问题,提出一种集成离散特征和词向量特征的开关递归神经网络模型。首先,通过直接循环图为语句建模,采用开关递归神经网络模型完成产品属性情感分析任务;然后,在开关递归神经网络模型中集成离散特征和词向量特征;最后,分别在流水线、联合、折叠三种任务模型中完成属性提取和情感分析任务。以宏观F1分数作为评估指标,在SemEval-2014的笔记本电脑和餐馆评论数据集上做实验。开关递归神经网络模型的F1分数为：48.21%和62.19%,超过普通递归神经网络模型近1.5个百分点,因而开关递归神经网络能够有效捕获复杂特征,提升产品属性情感分析的效果。而集成离散特征和词向量特征的神经网络模型的F1分数为：49.26%和63.31%,均超过基线结果0.5到1个百分点,表明离散特征和词向量特征互相促进,另一方面,也表明仅仅基于词向量的神经网络模型仍有提升空间。三种任务模型中,流水线模型的F1分数最高,表明应将属性提取和情感分析任务分开完成。     

基于灵敏度特征决策的GRNN短路容量智能辨识

针对当前局部地区短路容量水平已接近现有设备额定值的情况,提出一种短路容量智能辨识方法。利用基于潮流的短路计算法计算系统各母线的最大短路容量,通过对典型潮流下灵敏度的计算,选择对短路容量贡献程度较大的发电机、负荷的有功出力作为输入特征向量,建立训练样本,对广义回归神经网络（GRNN）进行训练,构成该电网结构下的短路容量辨识的人工神经网络。应用该模型对运行中电网的母线短路容量水平进行快速扫描,为智能电网与智能调度中的故障识别快速仿真建模（FSM）提供了一种新思路。通过IEEE 30节点系统验证了该方法的可行性与有效性。     

基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法.采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数.最后通过算例验证了算法的可行性与优越性.