用于电磁兼容预测的自适应泛化回归神经网络

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (6): 228-230.

用于电磁兼容预测的自适应泛化回归神经网络

张煜东¹，吴乐南¹，陈书文^1，2

1.东南大学信息科学与工程学院，南京 210096
2.江苏省辐射环境保护咨询中心，南京 210096

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-21 发布日期:2011-02-21

Adaptive generalized regression neural network used for prediction of EMC

ZHANG Yudong¹，WU Lenan¹，CHEN Shuwen^1，2

1.School of Information Science & Engineering，Southeast University，Nanjing 210096，China
2.Radiation Environmental Protection Consultation Center of Jiangsu Province，Nanjing 210096，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-21 Published:2011-02-21

摘要/Abstract

摘要： 为了更好地对电磁兼容进行预测，提出一种自适应泛化回归神经网络（AGRNN），与传统泛化回归神经网络（GRNN）区别在于：将光滑因子设为最小数据距离的1/2，将偏置设为光滑因子的倒数。对简单一维数据的测试表明，无论数据如何分布，AGRNN的拟合曲线均较GRNN更加接近样本点、且更平滑。以平行线间电磁耦合干扰为具体算例，证明AGRNN对训练数据与测试数据的预测优于改进BP算法，且网络不需要训练。

关键词: 电磁兼容预测, 泛化回归, 神经网络

Abstract: To predict the Electromagnetic Compatibility（EMC） more effectively，an Adaptive Generalized Regression Neural Network（AGRNN） is proposed.It sets the smooth factor as half of the minimum data distance，and sets the bias as the reciprocal of the smooth factor.Test on simple one dimensional data shows the fitting curve of AGRNN is smoother and more adjacent to sample points no matter how data distribute.The specific example on electromagnetic coupling interference between two parallel wires demonstrates the median square error of the prediction by AGRNN is less than that of the improved BP，and the network needs no training.Thus，the proposed algorithm is valid and effective.

Key words: electromagnetic compatibility prediction, generalized regression, neural network

张煜东¹，吴乐南¹，陈书文^1，2. 用于电磁兼容预测的自适应泛化回归神经网络[J]. 计算机工程与应用, 2011, 47(6): 228-230.

ZHANG Yudong¹，WU Lenan¹，CHEN Shuwen^1，2. Adaptive generalized regression neural network used for prediction of EMC[J]. Computer Engineering and Applications, 2011, 47(6): 228-230.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[14]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.
[15]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.