基于广义回归神经网络与遗传算法的玻璃钢渔船船型要素优化研究

利用神经网络的非线性拟合能力,建立了基于广义回归神经网络的"船型要素-船体阻力"数学模型,提高了模型的拟合精度。同时结合遗传算法的非线性寻优能力,利用改进的遗传算法完成了船型要素的优化设计。优化结果可以作为玻璃钢渔船初步设计的技术参考。     

采用GRNN模型进行交通量预测及实现研究

根据交通量形成的原因,分析了交通量和相关影响因素之间的关系以及交通量预测的特点,建立了交通量预测的广义回归神经网络(GRNN)模型。以某一公路交通吸引区1985~1995年的交通量和相关经济指标的历史统计数据作为学习样本,通过拟合训练和外推预测分析,验证了GRNN用于交通量预测的有效性。     

基于挠度的铁路双线简支钢桁梁桥杆件损伤程度识别研究

以梁桥节点最大位移改变率作为损伤程度伤识别指标,分别采用广义回归神经网络(GRNN)算法和ε-支持向量回归机(ε-SVR)算法,进行损伤程度识别研究。通过对一座铁路双线简支钢桁梁桥某杆件的损伤程度识别研究发现:(1)GRNN损伤程度识别模型具有一定的抗噪能力,不具有泛化性。(2)SVR损伤程度识别模型具有很强的抗噪能力和很好的泛化性。(3)以桥梁节点最大位移改变率作为损伤程度识别指标时,数据回归算法不能采用GRNN算法,应采用ε-SVR算法。     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

基于GM-GRNN的能源需求预测模型研究

建立了基于GM-GRNN能源需求预测组合模型,确定了网络输入向量集合和输出向量集合,对影响能源需求的相关数据进行了仿真分析。结果表明,相对于GM模型和GRNN模型,该组合模型具有较高的预测精度,具有较强的实用性。