提出了一种将核主元分析法(KPCA)与GRNN网络相结合的数控机床复合故障诊断方法。原始复合信号经过EMD分解,将得到的IMF与其他时频域特征值组成原始信号特征集;运用KPCA方法对原始特征集进行降维处理,构造核主元特征集;将筛选后的特征向量作为GRNN网络的输入,实现了数控机床不同复合故障的模式识别,并与其他3种网络对比,验证了该方法的优越性。

GRNN网络的预测——基于广义回归神经网络的货运量预测

基于matlab的GRNN分类器实现的代码

GRNN网络的预测基于广义回归神经网络的货运量预测,grnn神经网络算法,matlab源码.zip

基于图形识别和GRNN网络的照明设计自动化系统.pdf

grnn网络matlab代码LIEV-GRNN Limited Incremental Evolution General Regression Neural Networks 添加了 MATLAB 文件和噪声数据。 用户设置的超参数 Mse_thresold=0.001;% 开始进化的 MSE 阈值 size_limit=10;% GRNN 隐藏层的最大允许大小 进化方法要么输入距离要么输出距离\nmethod='input_distance'; %method='output_distance'; 在与 Ahmad Al-Mahasneh 电子邮件编写的 noise.dat 代码相同的目录中运行 ssci_2018_paper_code.m：请引用论文