广义回归神经网络
合集下载
黄河流域需水量预测的GRNN模型研究
１１ Ｇ Ｎ原理 ． ＲＮ
广义回归神经 网络的理论基 础是非线 性 （ ）回归分 析。 核
设 存在 ｍ 维 自变 量 ， 维 因 变 量 ｙ 样 本 数 据 ， ？ ２ ， Ｙ｝： 成 构 ｎ ｍ ＋Ｚ （ ）维矩 阵 ． 独 立 变 量 ｙ 对 于 独 立 变 量 的 回 归 分 析 非 相 实 际上 是 计 算具 有最 大 概 率值 的 ） 为简 便 起 见 ， 讨 论 ｙ为 一 ， 。 先 维 的标 量 形 式 。
用 。
１２ Ｇ Ｎ ． Ｒ Ｎ结构
广 义 回归 神 经 网 络 包 括 输 入 层 、 式 层 、 和 层 与 输 出层 模 求
等 ４层神经元。 输入层中的神经元数 目等于样本 中输入 向量 的 维数 ｍ， 各神经元为简单分 布神经元 ， 直接将 输入变量传 递给 模式层 。 模式层的神经元 数 目等于样本的容量 ｎ 每个神经元对 ， 应 一个样本 ， 以高斯函数 ｅｐ 一ｄ ｘ ， ］为活化核函数。 ｘ ［ （ ） 求和 层 中包括两种神经元 ， 中： 其 一个神经元称为 分母单元 ， 对模式 层 中所有神经元 的输 出进行算术求 和， 即式 （ ）的分母 ， ３ 其传
黄河 流 域 正 面临 着 水 资 源 短缺 、 水 灾 害 以 及 生 态 环 境 恶 洪
化等三大问题 ， 准确地 预测流域水资源需求量是进行黄河流域 水资源规划管理工作 的基础 ， 也是进行水资源优化配置 和调控 的前提 。国内外学者对水资源需求量预测做 了较 多研 究 ， 出 提
了 多种 预 测方 法 和 模 型 ” 如 回 归分 析 法 、 标 分 析 法 、 间 序 ． 指 时 列分 析 方 法 、 色 预 测 方 法 、 工 神 经 网 络 法 、 统 动 力 学 法 灰 人 系
基于广义回归神经网络的公路货运量预测方法研究
检验 ， 果证 明了 Ｇ Ｎ 用于货运量预测的有效性。 结 ＲＮ 关 键 词 货 运 量 ； 义 回归 神 经 网 络 ； 广 预测 中 图 法分 类号 ： ３ １ ＴＰ ９ 文献标识码 ： Ａ
１ 公 路 货 运 量 预测 方 法
１ １ 公 路 货运量 影 响 因素 ．
多的优化 回归 面 。笔 者尝 试使用 广义 回归神 经 网 络 建立预 测模型 ， 对公 路货 运量进 行 预测［ 。 １ ］
质 引 ‘。
ＧＲ ＮＮ 的结构 如 图 １所示 ， 网络包 括 ２ ： 该 层 中间层 （ 隐含层 ） 径 向基 层 ， 出层 为线性 层 。 为 输 图
公 路 货运 量 预 测 多采用 定 量 预测 方 法 ， 定 用
量 分 析来 研 究 货运 量 的发 展趋 势 ， 以历史 统 计 它
维普资讯
基 于广 义 回 归神 经 网络 的 公路 货 运 量 预 测 方 法 研 究 —— 李 杰 王
科
王
航
基于广义回归神经 网络 的 公路货运量预测方法研 究
李 杰 王 科 王 航
（ ｉ 大 学 南 京 ２ ０ ９ ） （ 京 理 工 大 学 。 南 京 ２ ０ ９ ） ｇ海 １ ０ ８ 南 １０ ４ 摘 要 公 路 货 运 量 受 多 种 因 素 影 响 ， 因 素 的 作 用 机 制 通 常 不 能 准确 地 用 数 学 语 言 进 行 描 各
收稿 日期 ：０ ７０ —３ ２ ０ —４２
图 １ 广 义 回归 神 经 网 络 结 构
网络 的第 １层 为 径 向基 隐含 层 ， 经元 个 的权值 函数 为 欧 氏距 离 函
数 （ ｌ ｉ 表 示 ）其 作 用 为计 算 网络 输 入 与 用 ｌ ｓｌ ｔｌ ｄ ，
１ 公 路 货 运 量 预测 方 法
１ １ 公 路 货运量 影 响 因素 ．
多的优化 回归 面 。笔 者尝 试使用 广义 回归神 经 网 络 建立预 测模型 ， 对公 路货 运量进 行 预测［ 。 １ ］
质 引 ‘。
ＧＲ ＮＮ 的结构 如 图 １所示 ， 网络包 括 ２ ： 该 层 中间层 （ 隐含层 ） 径 向基 层 ， 出层 为线性 层 。 为 输 图
公 路 货运 量 预 测 多采用 定 量 预测 方 法 ， 定 用
量 分 析来 研 究 货运 量 的发 展趋 势 ， 以历史 统 计 它
维普资讯
基 于广 义 回 归神 经 网络 的 公路 货 运 量 预 测 方 法 研 究 —— 李 杰 王
科
王
航
基于广义回归神经 网络 的 公路货运量预测方法研 究
李 杰 王 科 王 航
（ ｉ 大 学 南 京 ２ ０ ９ ） （ 京 理 工 大 学 。 南 京 ２ ０ ９ ） ｇ海 １ ０ ８ 南 １０ ４ 摘 要 公 路 货 运 量 受 多 种 因 素 影 响 ， 因 素 的 作 用 机 制 通 常 不 能 准确 地 用 数 学 语 言 进 行 描 各
收稿 日期 ：０ ７０ —３ ２ ０ —４２
图 １ 广 义 回归 神 经 网 络 结 构
网络 的第 １层 为 径 向基 隐含 层 ， 经元 个 的权值 函数 为 欧 氏距 离 函
数 （ ｌ ｉ 表 示 ）其 作 用 为计 算 网络 输 入 与 用 ｌ ｓｌ ｔｌ ｄ ，
基于广义回归神经网络的碳铵塔预测模型
离越小 ， 样本 观测值 的权重 因子就 越 大 ； ａ￣０ 当 － －
②根据 ２２节适应度函数 的计算方法 ， ． 计算每 个个体的适应值 ；
时， 估计值 为所有样本观测值 的均值 ， Ｅ ｃｄ 与 ｕｌ ｉ ③采用跨世代精英选择策 略， 留若干个适应 保 距离无关。因此 ， 平滑参数对 Ｇ Ｎ 的预测性能影 值大的优 良个体 ； Ｒ Ｎ 响较大 。 ④执行选择 、 交叉、 变异操作 ， 生成新一代种群 ；
本文另外采集 了 ２ 组数据作为检验样本 ， ０ 用以 检验 Ｇ Ｎ Ｒ Ｎ碳铵 塔模 型的预 测性 能， ２ 组数据 这 ０ 未参与 ３ １ ． 节的建模 。检验结果如表 １ 所示。 由表 １ 可以看到， 运用 Ｇ Ｎ Ｒ Ｎ建立的碳铵 塔模 型， 对碳化度预测 的平均相对误差 为 ５５ ．５％， 氨 对
Ｇ Ｎ Ｒ Ｎ的结构和参数 已经确定 ， 碳铵塔预测模 型得 以建立。
３２ 模型预测性能的检验 ．
参数。这样 ， 染色体编码长度 即为输 入矢 量的维数 Ｐ 。染色体即为种群 的个体 ， 每个个体 代表 网络模 型平滑参数的一种取值情况。
２２ 适应度函数的构造 ． 如何构造适应度函数 ， 是遗传算 法的核心问题
量的估计值 Ａ。
③根据式 （） ５ 计算预测相对误差 ｒ。 ｒ
ｒｒ ＝
之间的连接权值 ， 即为第 ｉ 其值 个训练样本输 出矢
量Ｙ 在 维上的分量。 ｆ
输出层单元数等于训练样本输 出矢量 的维数 ， 各单元将求和层的输出相除， 即
ＹＪ ｓ ／ ＝ ｅ ｉ Ｌ） （ ｑ ４
法、 单纯形法、 变度量法等 ， 在处理多峰性 问题时 ， 容 易陷入局部最优， 优化结果难以令人满意。为此 ， 本
②根据 ２２节适应度函数 的计算方法 ， ． 计算每 个个体的适应值 ；
时， 估计值 为所有样本观测值 的均值 ， Ｅ ｃｄ 与 ｕｌ ｉ ③采用跨世代精英选择策 略， 留若干个适应 保 距离无关。因此 ， 平滑参数对 Ｇ Ｎ 的预测性能影 值大的优 良个体 ； Ｒ Ｎ 响较大 。 ④执行选择 、 交叉、 变异操作 ， 生成新一代种群 ；
本文另外采集 了 ２ 组数据作为检验样本 ， ０ 用以 检验 Ｇ Ｎ Ｒ Ｎ碳铵 塔模 型的预 测性 能， ２ 组数据 这 ０ 未参与 ３ １ ． 节的建模 。检验结果如表 １ 所示。 由表 １ 可以看到， 运用 Ｇ Ｎ Ｒ Ｎ建立的碳铵 塔模 型， 对碳化度预测 的平均相对误差 为 ５５ ．５％， 氨 对
Ｇ Ｎ Ｒ Ｎ的结构和参数 已经确定 ， 碳铵塔预测模 型得 以建立。
３２ 模型预测性能的检验 ．
参数。这样 ， 染色体编码长度 即为输 入矢 量的维数 Ｐ 。染色体即为种群 的个体 ， 每个个体 代表 网络模 型平滑参数的一种取值情况。
２２ 适应度函数的构造 ． 如何构造适应度函数 ， 是遗传算 法的核心问题
量的估计值 Ａ。
③根据式 （） ５ 计算预测相对误差 ｒ。 ｒ
ｒｒ ＝
之间的连接权值 ， 即为第 ｉ 其值 个训练样本输 出矢
量Ｙ 在 维上的分量。 ｆ
输出层单元数等于训练样本输 出矢量 的维数 ， 各单元将求和层的输出相除， 即
ＹＪ ｓ ／ ＝ ｅ ｉ Ｌ） （ ｑ ４
法、 单纯形法、 变度量法等 ， 在处理多峰性 问题时 ， 容 易陷入局部最优， 优化结果难以令人满意。为此 ， 本
应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估
务 五 力 中 的 活 动 力 、 定 力 与 收 益 力 搜 集 台 湾 安
二 、 蝇 优 化 算 法 果
果 蝇优 化 算 法 是 由 笔 者 提 出［６， 种 基 于 果 ５３ 一 ，
蝇 觅食 行 为推演 出 的寻求全 局优 化 的新方 法 。果蝇 本 身在感 官 知觉 上 优 于其 他 物 种 ， 其 是 在 嗅觉 与 尤 视 觉上 。果蝇 的嗅觉器 官能 很好 地搜 集飘 浮在 空气 中的各种 气 味 ， 后 飞 近食 物 位 置 后 亦 可使 用 敏 锐 然 的视觉发 现食 物 与 同伴 聚 集 的 位 置 ， 且往 该 方 向 并
后 以财务 比率 作 为 自变 量 （ ， ｘ） 以绩 效好 坏 作 为 因 变量（ ， Ｙ） 再采 用 三种数 据 探勘 技 术 ， 括果 蝇 优 化 包 算 法优 化 广 义 回 归 神 经 网 络 （ ｒ ｉ Ｆｙ Ｏｐｉ ｚ－ Ｆ ｕｔ ｌ ｔ ａ ｍｉ
飞去 。
２ ０ 、 ０ ９年 企业 财务 比率 资 料 ， 据 活动 力 、 定 ０ ８２ ０ 根 安 力 与收 益力 进行 灰关 联分 析 ， 再将 二者 的分 析结 果 ， 按 照灰关 联 度进 行 排 序 ， 以了解 各企 业 的经 营 绩 效
排 名 ， 且 以二分 法 的方式 分 为绩效 好 与坏二 类 ， 并 然
一
、
前 言
ｒｌ ｔ ｒ ， 称 Ｆ ａ Ｎｅｗｏｋ 简 ＯＡＧＲ ＮＮ） 一 般 广 义 回归 神 、
经 网络 （ ｎ ｒｌ ｇ ｅｓ ｎＮｅ ｒｌ ｔ ｒ ， Ｇｅ ｅａ Ｒｅ ｒｓｉ ｕ ａ Ｎｅｗｏ ｋ 简称 ｏ
近年 来 ， 优化 问题处 理 已经逐 渐受 到重 视 ， 例如
中图分 类号 ：２ ２５ Ｆ ７ ．
二 、 蝇 优 化 算 法 果
果 蝇优 化 算 法 是 由 笔 者 提 出［６， 种 基 于 果 ５３ 一 ，
蝇 觅食 行 为推演 出 的寻求全 局优 化 的新方 法 。果蝇 本 身在感 官 知觉 上 优 于其 他 物 种 ， 其 是 在 嗅觉 与 尤 视 觉上 。果蝇 的嗅觉器 官能 很好 地搜 集飘 浮在 空气 中的各种 气 味 ， 后 飞 近食 物 位 置 后 亦 可使 用 敏 锐 然 的视觉发 现食 物 与 同伴 聚 集 的 位 置 ， 且往 该 方 向 并
后 以财务 比率 作 为 自变 量 （ ， ｘ） 以绩 效好 坏 作 为 因 变量（ ， Ｙ） 再采 用 三种数 据 探勘 技 术 ， 括果 蝇 优 化 包 算 法优 化 广 义 回 归 神 经 网 络 （ ｒ ｉ Ｆｙ Ｏｐｉ ｚ－ Ｆ ｕｔ ｌ ｔ ａ ｍｉ
飞去 。
２ ０ 、 ０ ９年 企业 财务 比率 资 料 ， 据 活动 力 、 定 ０ ８２ ０ 根 安 力 与收 益力 进行 灰关 联分 析 ， 再将 二者 的分 析结 果 ， 按 照灰关 联 度进 行 排 序 ， 以了解 各企 业 的经 营 绩 效
排 名 ， 且 以二分 法 的方式 分 为绩效 好 与坏二 类 ， 并 然
一
、
前 言
ｒｌ ｔ ｒ ， 称 Ｆ ａ Ｎｅｗｏｋ 简 ＯＡＧＲ ＮＮ） 一 般 广 义 回归 神 、
经 网络 （ ｎ ｒｌ ｇ ｅｓ ｎＮｅ ｒｌ ｔ ｒ ， Ｇｅ ｅａ Ｒｅ ｒｓｉ ｕ ａ Ｎｅｗｏ ｋ 简称 ｏ
近年 来 ， 优化 问题处 理 已经逐 渐受 到重 视 ， 例如
中图分 类号 ：２ ２５ Ｆ ７ ．
基于GRNN的主要编组站办理车辆数的预测
型 还 可 以 处 理 不 稳 定 的 数 据 。 因 此 ，采 用 ＧＲ Ｎ Ｎ 建 立 网 络 预 测 模 型 ，对 办理 车 辆 数 进 行 预 测 。
⑧铁 路 钢 铁运 输 量
⑨铁 路 粮 食运 输 量
经济 因素 和 结 构 因素 涵 盖 了宏 观 与 微 观 的 相 关
③ Ｃ Ｉ 消 费物 价 指 数来自） Ｐ（ ④ 进 出 口总 额 ⑤ 社会 消费 品 零 售总 额 ⑥人 口
③机 车 拥 有量
③货 车 日均装 车 数 ⑤货 车 拥 有量 ⑥铁 路 货 运 量 ⑦铁 路 煤 炭运 输 量
型 最 后 收 敛 于 样 本 集 聚 较 多 的优 化 回 归面 ，并 且 在 样 本 数 据 较 少 时 预 测 效 果 也 比较 好 。此 外 ，网络 模
② 工业 总产 值
①全 国铁 路营 业 里 程
② 公路 货 运量
存 在 收 敛 速 度 慢 和 局 部 极 小 的 缺 点 ，在 解 决 样 本 量 少 并 且 噪 音 较 多的 问题 时 ，效 果 并 不 理 想 。
广 义 回归神 经 网 络 在逼 近 能 力 、分 类能 力和 学 习速 率 上 较 Ｂ Ｐ网络 和 Ｒ ＢＦ网 络 有 较 强 的优 势 ，模
文 章编 号 ：１０ —１２ （０ ２０— ０ １ ０ ０ ３ ４ １２ １）２ ０ ５— ６
中 图分 类号 ：Ｔ １３ ２ １４ Ｐ ８ ；Ｕ ９ ．
文 献标 识码 ：Ｂ
基 于 ＧＲＮＮ的主 要 编 组 站 办 理 车 辆 数 的预 测
李益 民
（ 中国铁道科 学研 究院 运输及经济研 究所 ，北京 １ ０８ ） ００１
调 中转 车 和 无调 中转车 为 研 究对 象 ，选 择若 干 宏
⑧铁 路 钢 铁运 输 量
⑨铁 路 粮 食运 输 量
经济 因素 和 结 构 因素 涵 盖 了宏 观 与 微 观 的 相 关
③ Ｃ Ｉ 消 费物 价 指 数来自） Ｐ（ ④ 进 出 口总 额 ⑤ 社会 消费 品 零 售总 额 ⑥人 口
③机 车 拥 有量
③货 车 日均装 车 数 ⑤货 车 拥 有量 ⑥铁 路 货 运 量 ⑦铁 路 煤 炭运 输 量
型 最 后 收 敛 于 样 本 集 聚 较 多 的优 化 回 归面 ，并 且 在 样 本 数 据 较 少 时 预 测 效 果 也 比较 好 。此 外 ，网络 模
② 工业 总产 值
①全 国铁 路营 业 里 程
② 公路 货 运量
存 在 收 敛 速 度 慢 和 局 部 极 小 的 缺 点 ，在 解 决 样 本 量 少 并 且 噪 音 较 多的 问题 时 ，效 果 并 不 理 想 。
广 义 回归神 经 网 络 在逼 近 能 力 、分 类能 力和 学 习速 率 上 较 Ｂ Ｐ网络 和 Ｒ ＢＦ网 络 有 较 强 的优 势 ，模
文 章编 号 ：１０ —１２ （０ ２０— ０ １ ０ ０ ３ ４ １２ １）２ ０ ５— ６
中 图分 类号 ：Ｔ １３ ２ １４ Ｐ ８ ；Ｕ ９ ．
文 献标 识码 ：Ｂ
基 于 ＧＲＮＮ的主 要 编 组 站 办 理 车 辆 数 的预 测
李益 民
（ 中国铁道科 学研 究院 运输及经济研 究所 ，北京 １ ０８ ） ００１
调 中转 车 和 无调 中转车 为 研 究对 象 ，选 择若 干 宏
运用广义回归神经网络预测风电场功率
Ｗｉ ｎ ｄ Ｐｏ ｗｅ ｒ Ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ Ｕｓ ｉ ｎ ｇ Ｇｅ ｎ ｅ ｒ ａ ｌ ｉ ｚ ｅ ｄ Ｒｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
Ｘ１ ０ＮＧ Ｔｕ
（ Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ Ｐ ｏ ｗ ｅ ｒ Ｓ ｕ ｐ ｐ ｌ ｙ Ｂ ｕ ｒ ｅ ａ ｕ ，Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ６ ２ ０ ， Ｇ ｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ ， Ｃ ｈ ｉ ｎ ａ ）
ｐ ｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｃ ａ ｎ ｔ ｒ ａ ｃ ｋ ｔ ｈｅ ａｃ ｔ ｕ ａ ｌ ｗｉ ｎ ｄ ｐ ｏ ｗｅ ｒ ．Ｂｅ ｓ ｉ ｄ ｅ ｓ，ｗｉ ｔ ｈ
ａ ｄ ｄ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｎ ｕ ｍｅ ｒ ｉ ｃ ａ ｌ ｗ ｅ ａ ｔ ｈ ｅ ｒ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｔ ｏ ｔ ｈ ｅ
ａ ｄ ｄ ｅ ｄ） ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ，ｔ ｈ ｅ ｗｉ ｎ ｄ ｐ ｏ ｗ ｅ ｒ ｄ ａ ｔ ａ ｏ ｆ ｔ ｈ ｅ ｐ ｒ ｅ ｖ ｉ ｏ ｕ ｓ １ ５ ｄ ａ ｙ ｓ
ａ ｒ ｅ ｔ ｒ ａ ｉ ｎ ｅ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｍｏ ｄ ｅ ｌ ｉ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｔ ｈ ｏ ｕ ｇ ｈ ｃ ｒ ｏ ｓ ｓ － ｖ ａ ｌ ｉ ｄ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｔ ｈ ｅ ｗ ｉ ｎ ｄ ｐ ｏ ｗｅ ｒ ｏ ｆ ｔ ｈ ｅ ｎ ｅ ｘ ｔ ｄ ａ ｙ ｉ ｓ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ．Ｓ ｅ ｃ ｏ ｎ ｄ ｌ ｙ，ｔ ｈ ｅ ｈ ｉ ｓ ｔ ｏ ｒ ｙ ｗ ｉ ｎ ｄ ｓ ｐ ｅ ｅ ｄ ｄ ａ ｔ ａ ｉ ｓ ａ ｄ ｄ ｅ ｄ ａ ｎ ｄ ｂ ｏ ｔ ｈ ｔ ｈ ｅ ｈ ｉ ｓ ｔ ｏ ｒ ｙ ｗｉ ｎ ｄ ｓ ｐ ｅ ｅ ｄ ａ ｎ ｄ ｗｉ ｎ ｄ ｐ ｏ ｗ ｅ ｒ ａ ｒ ｅ ｔ ｒ ａ ｉ ｎ ｅ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｗ ｉ ｎ ｄ ｐ ｏ ｗｅ ｒ ｏ ｆ ｔ ｈ ｅ ｎ ｅ ｘ ｔ ｄ ａ ｙ ｉ ｓ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｎ ｕ ｍｅ ｒ ｉ ｃ ａ ｌ ｗ ｅ ａ ｔ ｈ ｅ ｒ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ
一种水声正交频分复用信道估计方法及系统[发明专利]
![一种水声正交频分复用信道估计方法及系统[发明专利]](https://img.taocdn.com/s3/m/6d83d3b2be23482fb5da4c46.png)
专利名称：一种水声正交频分复用信道估计方法及系统专利类型：发明专利
发明人：李鑫滨,韩赵星,于海峰,闫磊,徐向琳
申请号：CN201910332528.1
申请日：20190424
公开号：CN110048972A
公开日：
20190723
专利内容由知识产权出版社提供
摘要：本发明公开一种水声正交频分复用信道估计方法及系统。
方法包括：获取广义回归神经网络的训练样本和测试样本；构造广义回归神经网络；根据训练样本对广义回归神经网络进行训练，得到广义回归神经网络训练模型；将测试样本输入至广义回归神经网络训练模型中，得到均方误差；判断均方误差是否位于设定阈值范围内；若是，保存广义回归神经网络训练模型，并将广义回归神经网络训练模型作为水声信道估计模型；若否，调整广义回归神经网络训练模型的平滑因子，得到调整后的广义回归神经网络训练模型；根据水声信道估计模型对水声正交频分复用信道的传输信号进行估计，得到信道状态信息。
采用本发明能够提高信道估计的精度，保证水声通信的质量。
申请人：燕山大学
地址：066000 河北省秦皇岛市河北大街西段438号
国籍：CN
代理机构：北京高沃律师事务所
代理人：程华
更多信息请下载全文后查看。
基于广义回归神经网络的船舶交通量预测模型
基 于 广 义 回归 神 经 网 络 的 船 舶 交 通 量 预 测 模 型
刘 敬 贤 ， 刘振 东， 周 锋
（ 武汉理 工 大学 航 运学 院 ，湖北 武汉 ４ ０ ６ ） ３ ０ ３
摘 要 ： 舶 交 通 量 受 多 种 环 境 与 社 会 因 索 的影 响 ， 得 船 舶 交 通 量 预 测 存 在 复 杂 性 与 非 线 性 的特 点 。在 分２ ２ １ — ３ ２
作 者 简 介 ： 敬 贤 （ ９ ７）男 ， 北 孝 感 人 ， 授 ， 士 ， 刘 １ ６一 ， 湖 教 博 从事 水 上交 通 环 境 与 安 全保 障技 术 研 究 。 Ｅｍａ ： ｘｅｃｅ＠ ｓｈ ．ｏ — ｉ ｌ ｔａｈ ｒ ｏ ｕ ｃｎ ｌｊ
（ ａｋＰ ｏ ａ ａｉｎ 神 经 网 络 模 型 ， 测 精 度 往 往 不 Ｂ ｃ ｒｐ ｇ ｔ ） ｏ 预
方 面 来 描 述 船 舶 交 通 量 的 变 化 规 律 。且 影 响 船 舶
交 通量 的多 种 因素表 现各 异 ， 用形 式复 杂 ， 就使 作 这 得交 通 量预测 具有 较 大 的复 杂 性与非 线性 特点 。分 析 船舶交 通 量 的影 响 因素 异 常 重 要 ， 后在 其 基 础 而 上 选择合 适 的具有 处 理复 杂性 与非线 性能 力 的数学
交 通 量 分 为 六 类 ， 用 ＧＲ 利 ＮＮ 神经 网络 分 别 进 行 预 测 。预 测 结 果 表 明 ＧＲ ＮＮ 神 经 网络 具 有 很 强 的 非 线 性 拟 合 能 力， 有效 解 决 了天 津 港 船 舶 交通 量 预测 中 的小 样 本 问题 ， 高 了整 个 预 测 系 统 的 精 度 与 稳定 性 。 提 关 键 词 ： 路 运 输 ； 舶 交 通 量 ； 义 回归 神 经 网 络 ； 样 本 问 题 ； 合 预 测 模 型 水 船 广 小 组