简介：Thegeneralizedregressionneuralnetwork-onekindofRBFneuralnetwork,ischosentoconstructtheinverse-kinematicsmodelfortheshotcreterobotwhichhasredundantdegree-of–freedom.Theinverse-kinematicsmodeloftheobjectistrainedbythegenerallearningmethod.Inconstructingmodelprocess,differentpartitionmethodsistriedtodividethejointspaceanddifferentdiffusioncoefficientvaluetotraintheneuralnetwork.Theinfluenceofthespreadcoefficienttotheapproachabilityisalsostudied.Thesimulationmethodisadoptedtotesttheperformanceoftheneuralnetwork.Thesimulationresultturnsouttobesatisfactory.

简介：安全库存水平设置是供应链管理的重要内容,但因其影响因素多、关系复杂,预测难度大.神经网络在处理非线性问题有独特的优势.GRNN神经网络是建立在数理统计基础之上的一种新型的神经网络,具有良好的函数逼近效果.本文利用GRNN神经网络的方法进行供应链安全库存水平预测,详细介绍预测模型及其实施办法,并通过实例验证本方法的有效性.

简介：煤矿瓦斯涌出量和瓦斯突出受控于多种因素。如何根据各个影响因素预测计算煤层瓦斯含量是一个非常复杂的问题。近年来迅速发展起来的神经网络具有较高的非线性映射和并行处理能力。广义回归神经网络（GRNN）具有网络结构自适应确定、输出与初始权值无关等优良特性，能够逼近任意连续的非线性函数，可以处理系统内在的难以解析的规律。本文以某矿13-1煤层为研究对象，在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上，应用GRNN神经网络方法建立某矿13—1煤层瓦斯含量预测模型，以达到对井田未开采区域进行瓦斯含量预测的目的。

简介：针对广义回归神经网络用于日长变化预报过程中,样本的输入方式对预报结果的影响进行了研究。采用2种输入方式:即样本按不同跨度输入以及按连续输入,对日长变化进行预报。最终证明不同的样本输入方式对日长变化预报精度的影响较大,样本按跨度输入在超短期预报中预报精度较高,样本采用连续输入的方式在短期和中期预报中预报精度较高。