【摘要】：隨著機(jī)電產(chǎn)品高效化和智能化的發(fā)展,機(jī)電產(chǎn)品的仿真模型也越來(lái)越復(fù)雜。為了提高機(jī)電產(chǎn)品的質(zhì)量,同時(shí)要求仿真模型能夠具有較高的精度,方便對(duì)機(jī)電產(chǎn)品的各項(xiàng)性能進(jìn)行準(zhǔn)確的預(yù)測(cè),提高機(jī)電產(chǎn)品的質(zhì)量。理論上高階響應(yīng)面能夠表示復(fù)雜的仿真模型,例如多項(xiàng)式響應(yīng)曲面、克里金、梯度增強(qiáng)克里金、徑向基函數(shù)、支持向量、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)等。但是高階響應(yīng)面包涵大量的待定參數(shù),為了準(zhǔn)確的調(diào)整參數(shù),需要大量實(shí)驗(yàn)數(shù)據(jù)用于計(jì)算,大量的實(shí)驗(yàn)數(shù)據(jù)計(jì)算會(huì)導(dǎo)致昂貴的計(jì)算成本。此外,這些方法構(gòu)建響應(yīng)面模型通常都存在波動(dòng)偏差,且單一方法一般會(huì)導(dǎo)致過(guò)擬合、欠擬合問(wèn)題。針對(duì)響應(yīng)面算法波動(dòng)誤差的問(wèn)題,傳統(tǒng)的處理方法通常使用大量的數(shù)據(jù)對(duì)響應(yīng)面中的參數(shù)進(jìn)行調(diào)整,這不僅會(huì)導(dǎo)致過(guò)度擬合,而且還會(huì)增加構(gòu)建響應(yīng)面所需的計(jì)算時(shí)間。為了解決這一問(wèn)題,在現(xiàn)有的響應(yīng)面理論研究的基礎(chǔ)上,對(duì)波動(dòng)偏差進(jìn)行正態(tài)化處理,結(jié)合GRNN和Kriging插值算法提出了一種Kriging-GRNN高階混合響應(yīng)面模型構(gòu)建方法(Kriging-GRNN High Order Mixed Response Surface Model Construction Method and Simulation Application,KGRNN)。本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)通過(guò)對(duì)ANN、RBF、Kriging、GRNN算法的研究和對(duì)比,ANN算法容易陷入局部最優(yōu)解,RBF容易產(chǎn)生錯(cuò)誤的分堆方向,擬合結(jié)果偏向簡(jiǎn)單曲面,Kriging與回歸分析密切相關(guān),需要大量的數(shù)據(jù),GRNN具有很強(qiáng)的容錯(cuò)性和魯棒性,適用于解決非線性問(wèn)題。KGRNN算法使用高斯核函數(shù),調(diào)整的參數(shù)少,加快響應(yīng)面模型的計(jì)算效率。(2)相比傳統(tǒng)單一響應(yīng)面算法,KGRNN是Kriging和GRNN的混合響應(yīng)面算法,GRNN算法擬合機(jī)電產(chǎn)品各項(xiàng)性能的宏觀特征,GRNN算法的模式識(shí)別層選用高斯函數(shù),高斯函數(shù)把機(jī)電產(chǎn)品的參數(shù)映射到高維,通過(guò)不同數(shù)據(jù)集進(jìn)行迭代訓(xùn)練,提取到GRNN算法中存在一定的波動(dòng)誤差,根據(jù)波動(dòng)誤差形式,對(duì)波動(dòng)誤差進(jìn)行正態(tài)化處理。Kriging算法擬合波動(dòng)誤差的微觀特征,把正態(tài)化的波動(dòng)誤差代入到回歸Kriging算法中,擬合出波動(dòng)誤差的多元正態(tài)分布形式,在GRNN中減去回歸Kriging算法求解的波動(dòng)偏差,提高的GRNN算法的精度。(3)通過(guò)仿真實(shí)驗(yàn),對(duì)比KGRNN、KRBF、GRNN、Kriging、RBF響應(yīng)面算法。KGRNN算法相比傳統(tǒng)的算法,KGRNN響應(yīng)面的精度提高了0.1~10倍,并且KGRNN算法調(diào)整的參數(shù)變少,相比GRNN、KRBF、RBF算法,KGRNN響應(yīng)面模型構(gòu)建的速度提升3~5倍。通過(guò)復(fù)合材料的方形管和圓柱加筋機(jī)身結(jié)構(gòu)工程實(shí)例,也有利的證明了KGRNN算法的魯棒性和可靠性。
【圖文】：

中測(cè)試函數(shù)以及函數(shù)的設(shè)置區(qū)間明 KGRNN 響應(yīng)面算法的優(yōu)勢(shì)，使用 KRBF、GRNN、Kriging、RB比實(shí)驗(yàn)。在對(duì)比實(shí)驗(yàn)的方法中，KRBF 響應(yīng)面算法是 RBF 神經(jīng)網(wǎng)絡(luò)，Kriging 擬合函數(shù)微觀波動(dòng)誤差，在擬合好的 RBF 神經(jīng)網(wǎng)絡(luò)模型中g(shù)、GRNN 和 RBF 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集分別為 traindata1∪train了實(shí)驗(yàn)的可信度，在相同的函數(shù)中，五種響應(yīng)面模型使用相同的訓(xùn)擇的實(shí)驗(yàn)平臺(tái)為，MATLAB2018B 和 CPU：i7700HQ 和 GPU：GTX10析 KGRNN 建模系統(tǒng)的性能，選取了 5 種不同的測(cè)試函數(shù)(TF)對(duì) K的性能進(jìn)行測(cè)試。下面是分別介紹了五種測(cè)試函數(shù)的特征和測(cè)試目的測(cè)試函數(shù) Ackley Function (AF)圖像如圖 4-1 所示。AF 測(cè)試函數(shù)數(shù)4.1)所示： ( ) = ( √1 2 1) (1 os( ) 1)

圖 4-3 Leon’s 函數(shù)圖形Figure 4-3 Leon’s function graph圖 4-3 顯示的是二維 LF 的圖像，從圖像上可以看出，LF 是一個(gè)很平緩的圖像，這是本文使用復(fù)雜程度最簡(jiǎn)單的一個(gè)的函數(shù)，選取這個(gè)函數(shù)的主要原因，，是因?yàn)樵摵瘮?shù)有一個(gè)平面的極值區(qū)域，主要是為了測(cè)試 KGRNN 函數(shù)擬合具有平面區(qū)域的表達(dá)能力。本文中使用的是 LF 測(cè)試函數(shù)推薦使用的定義域?yàn)椋?=[-2,2]。第四個(gè)測(cè)試函數(shù) Schaffer’s Function (SF)如圖 4-4 所示。SF 函數(shù)的定義式如下： ( ) = 2 12 22 12 22 2(4.4)
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP183;F407.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮慧君;鄭秀清;陳軍鋒;薛靜;李曉敏;解雪;苗春燕;;基于GRNN的凍融期土壤蒸發(fā)預(yù)測(cè)[J];水電能源科學(xué);2019年12期

2 李曉晨;聶興信;;充填管道磨損風(fēng)險(xiǎn)的KPCA-PSO-GRNN評(píng)估模型及應(yīng)用[J];有色金屬工程;2019年02期

3 張治華;徐元紅;;基于粒子群算法的GRNN神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用[J];數(shù)學(xué)學(xué)習(xí)與研究;2017年14期

4 張強(qiáng)勁;陳忠華;;基于GRNN算法的潛在產(chǎn)出與產(chǎn)出缺口估算模型[J];重慶大學(xué)學(xué)報(bào);2016年06期

5 王莉;;基于GRNN的棉紗條干均勻度預(yù)測(cè)研究[J];紡織科技進(jìn)展;2017年03期

6 管帥;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的地下水水位預(yù)測(cè)[J];吉林水利;2016年04期

7 楊彬;賀正洪;;一種GRNN神經(jīng)網(wǎng)絡(luò)的高超聲速飛行器軌跡預(yù)測(cè)方法[J];計(jì)算機(jī)應(yīng)用與軟件;2015年07期

8 郎濟(jì)才;謝行;范蠡;蔡世澤;;基于GRNN的船舶阻力預(yù)測(cè)[J];武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報(bào);2014年03期

9 張杰;陸寶宏;李莉會(huì);劉蕊蕊;常娜;許丹;翟夢(mèng)恩;;基于GRNN網(wǎng)絡(luò)的蘇州市水資源承載能力評(píng)價(jià)[J];水資源保護(hù);2013年02期

10 辜小花;廖志強(qiáng);李太福;易軍;;面向抽油機(jī)節(jié)能的GRNN過(guò)程建模及工藝參數(shù)優(yōu)化[J];重慶大學(xué)學(xué)報(bào);2013年06期

相關(guān)會(huì)議論文 前10條

1 念其鋒;施式亮;李潤(rùn)求;;煤與瓦斯突出區(qū)域的GRNN預(yù)測(cè)模型研究[A];中國(guó)職業(yè)安全健康協(xié)會(huì)2013年學(xué)術(shù)年會(huì)論文集[C];2013年

2 銀濤;俞集輝;;基于GRNN的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[A];第十屆全國(guó)電工數(shù)學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

3 Ziwen Leng;Junwei Gao;Yong Qin;Xin Liu;Jing Yin;;Short-term Forecasting Model of Traffic Flow Based on GRNN[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

4 陳光;劉文濤;;廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)在高爐煉鐵工序能耗預(yù)測(cè)中的應(yīng)用[A];第七屆全國(guó)能源與熱工學(xué)術(shù)年會(huì)論文集[C];2013年

5 王小輝;王琪潔;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的日長(zhǎng)變化的高精度預(yù)報(bào)[A];中國(guó)天文學(xué)會(huì)2011年學(xué)術(shù)年會(huì)手冊(cè)[C];2011年

6 馬珊;龐永杰;張鐵棟;;基于GRNN的聲圖像特征研究[A];第十五屆中國(guó)海洋（岸）工程學(xué)術(shù)討論會(huì)論文集(上)[C];2011年

7 陳其紅;闞樹(shù)林;秦臻;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的設(shè)備可靠性預(yù)測(cè)[A];2011年全國(guó)機(jī)械行業(yè)可靠性技術(shù)學(xué)術(shù)交流會(huì)暨第四屆可靠性工程分會(huì)第三次全體委員大會(huì)論文集[C];2011年

8 王戡;鄭玲;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的磁流變減振器模型辨識(shí)研究[A];第六屆全國(guó)電磁流變液及其應(yīng)用學(xué)術(shù)會(huì)議程序冊(cè)及論文摘要集[C];2011年

9 Feng Jiang;Jiaqi He;Zijun Peng;;Short-term Wind Power Forecasting Based on BP Neural Network with Improved Ant Lion Optimizer[A];第37屆中國(guó)控制會(huì)議論文集（E）[C];2018年

10 柴毅;凌睿;;基于參數(shù)優(yōu)化與GRNN逼近的非線性PID控制[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前4條

1 彭曉琳;全球衛(wèi)星臭氧產(chǎn)品的時(shí)空重建研究[D];武漢大學(xué);2017年

2 NIBIKORA ILDEPHONSE;[D];東華大學(xué);2011年

3 廖薇;基于神經(jīng)網(wǎng)絡(luò)和遺傳規(guī)劃的匯率預(yù)測(cè)技術(shù)研究[D];華東師范大學(xué);2010年

4 雷成亮;大興安嶺森林火烈度遙感估測(cè)方法研究[D];東北林業(yè)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 于玉龍;基于GRNN的個(gè)性化推薦算法研究[D];山東科技大學(xué);2018年

2 陳盟;基于改進(jìn)FOA的GRNN模型研究及其在變形監(jiān)測(cè)中的應(yīng)用[D];長(zhǎng)安大學(xué);2019年

3 田賀舉;Kriging-GRNN高階混合響應(yīng)面模型構(gòu)建方法及仿真應(yīng)用[D];廣東工業(yè)大學(xué);2019年

4 吳金達(dá);高階QAM下CO-OFDM系統(tǒng)的關(guān)鍵技術(shù)研究[D];浙江工業(yè)大學(xué);2018年

5 李朋園;煤巖破裂過(guò)程中多參量前兆特征分析[D];華北理工大學(xué);2018年

6 沈剛;基于互聯(lián)網(wǎng)招聘的簡(jiǎn)歷評(píng)價(jià)篩選研究[D];河北大學(xué);2018年

7 范恒;基于DBSCAN-GRNN-LSSVR算法的WLAN異構(gòu)終端定位方法[D];合肥工業(yè)大學(xué);2018年

8 劉婕;面罩語(yǔ)音矯正方法研究[D];河北工業(yè)大學(xué);2017年

9 彭亮;基于PSO-GRNN算法風(fēng)速短期預(yù)測(cè)研究[D];遼寧工程技術(shù)大學(xué);2016年

10 席東潔;基于組合預(yù)測(cè)模型的汾河上游徑流預(yù)報(bào)研究[D];太原理工大學(xué);2018年

本文編號(hào)：2647048