【GRNN神经网络】基本原理与模型应用

1. 理论概述

广义回归神经网络CGRNN, Generalized Regression Neural Network）是美国学者DonaidF. Specht 在1991 年提出的，它是径向基神经网络的一种。GRNN 具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题。GRNN 在逼近能力和学习速度上较RBF 网络有更强的优势，网络最后收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效果也较好。此外，网络还可以处理不稳定的数据。因此，GRNN 在信号过程、结构分析、教育产业、能源、食品科学、控制决策系统、药物设计、金融领域、生物工程等各个领域得到了广泛的应用。

2. 网络结构

GRNN 在结构上与RBF 网络较为相似。它由四层构成，如图8 - 1 所示，分别为输入层
(input layer ）、模式层（ pattern layer）、求和层（ summation l ayer）和输出层（ output layer）。

3. 相关模型应用

4.1 基于GRNN神经网络的仓库库存预测

4.2 基于GRNN神经网络的订单需求预测

4.3 基于GRNN神经网络的盗窃案件预测

4.4 基于GRNN神经网络的短时电力负荷预测

4.5 基于GRNN神经网络的水质预测

4.6 基于GRNN神经网络的货运量预测

4.7 基于GRNN神经网络的人口预测

4.8 基于GRNN神经网络的股市开盘指数预测

4.9 基于GRNN神经网络的短时交通流量预测

4.10 基于GRNN神经网络的PM2.5浓度预测