自动驾驶电动车辆基于参数预测的径向基函数神经网络自适应控制

针对具有不确定性的自动驾驶电动车辆的运动控制问题,提出了一种基于参数预测的径向基函数(RBF)神经网络自适应协调控制方案。首先,考虑系统参数的不确定性及外部干扰的影响,利用预瞄方法建立可表征车辆循迹跟车行为的动力学模型;其次,采用RBF神经网络补偿器对系统不确定性进行自适应补偿,设计车辆横纵向运动的广义协调控制律;之后,考虑前车车速及道路曲率影响,以车辆在循迹跟车控制过程中的能耗及平均冲击度最小为优化目标,利用粒子群优化(PSO)算法对协调控制律中的增益参数K进行滚动优化,并最终得到一系列优化后的样本数据;在此基础上,设计、训练一个反向传播(BP)神经网络,实现对广义协调控制律中增益参数K的实时预测,以保证车辆的经济性及乘坐舒适性。仿真结果证实了所提控制方案的有效性。

基于径向基函数神经网络算法的高频转阀阀芯稳定性

针对伺服电机驱动高频转阀时受液动力矩变化影响造成高频输出精度下降的问题,以液压马达作为动力源,提出一种基于径向基函数神经网络算法的转阀阀芯转速控制策略。首先,搭建高频转阀阀芯转速控制系统的数学模型;其次根据数学模型在MATLAB/Simulink平台搭建仿真模型,对不同算法作用下阀芯转速控制特性进行仿真分析;最后建立高频转阀转速控制系统实验台,对不同算法作用下阀芯转速控制特性进行实验研究和理论验证。结果表明:与常规PID控制方法相比,基于径向基函数神经网络的高频转阀转速控制策略转速控制系统阶跃响应所需调整时间最少为0.16 s,超调量小;三角波与正弦波转速跟踪误差均值下降最大值分别为46.51%、53.69%;6 MPa、10 MPa下,转速稳态误差均值分别下降34.92%、38.26%。径向基函数神经网络算法有效提高了高频转阀阀芯转速控制精度。

基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测

为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于径向基函数神经网络的大学生体测成绩预测研究

大学生体质健康测试成绩是评价学生体质健康的重要标准,科学有效地对体测成绩进行预测分析是其他研究的基础。该研究运用径向基函数神经网络对某大学XX学院学生2022年体质健康测试数据进行预测和分析,并与BP神经网络、支持向量机等方法分类预测结果进行对比。试验结果表明,该预测模型具有较高的预测准确率和较好的泛化性能,为后续体育教师开展教学,相关学者开展研究提供了科学有效的分析方法。

基于权重自适应更新径向基函数神经网络的水下游动机械臂镇定控制

水下游动机械臂(underwater swimming manipulator,USM)是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点,其动力学模型难以精确建立。因此,实现USM的高精度镇定控制存在挑战。针对这一问题,本文基于反馈线性化和自适应径向基函数神经网络(radial basis function neural network,RBFNN),设计了一种动力学控制方案以实现USM的镇定控制。首先,介绍了USM平台结构,基于Lagrange方程给出了USM的动力学模型,并推导了USM的矢量推力系统模型。然后,设计了基于反馈线性化和RBFNN的动力学控制器,并通过反步法自适应更新RBFNN的权重。其中,权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动,从而对动力学控制器进行补偿。此外,为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入,给出了推力分配策略。最后,进行了湖泊实验,分别对USM的I构型和C构型镇定控制,文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°,验证了所提出的USM六自由度镇定控制器的有效性。

径向基函数神经网络在烟气含氧量测量中的应用

针对目前火力发电厂烟气含氧量测量仪使用过程中存在的一些问题,提出一种基于径向基函数神经网络的烟气含氧量软测量模型。验证结果表明:该软测量模型具有较高的精度和动态响应速度,并且预测值和实测值非常相吻合。与BP神经网络相比,在收敛速度和预测精度方面,径向基函数神经网络要优于BP神经网络。

基于径向基函数神经网络算法的汽轮发电机转子绕组匝间短路故障诊断

转子绕组匝间短路是汽轮发电机的主要故障之一,对该故障的既有诊断方法仍有不足。在分析径向基函数神经网络基础上,提出一种基于该神经网络的汽轮发电机转子绕组匝间短路故障诊断方法。详细介绍了该方法的故障诊断流程,并对其进行了仿真验证。研究表明,该方法精度高且收敛速度快,可有效诊断汽轮发电机转子绕组匝间短路故障。

机车牵引齿轮系统混沌运动的径向基函数神经网络控制

针对HXD2牵引齿轮系统运行性能监控需求,建立了单自由度牵引齿轮系统动力学模型并结合分岔图、相图和Poincaré截面图分别分析了阻尼系数、啮合刚度的变化对系统周期性响应的影响。基于径向基函数神经网络设计了混沌控制器,同时控制器的参数用量子粒子群算法进行优化,并通过对阻尼系数施加微幅扰动,将系统混沌运动控制为稳定的周期运动。

云模型优化径向基函数神经网络算法研究

径向基函数(RBF)神经网络广泛用于各类医学预测模型中,针对RBF神经网络隐含层高斯径向基函数的参数确定困难,影响癌症预后模型的因素具有多样性和模糊性等问题。利用云模型优化RBF神经网络算法,通过高维云变换确定RBF隐含层神经元,优化RBF神经网络结构。用来自美国国家癌症研究所监测、流行病学和最终结果(SEER)数据库的4771例食管鳞状细胞癌患者数据建模仿真与传统的仿真对比,证明该模型预测生存期的C-index为0.705,远高于肿瘤等级、列线图和RBF神经网络(0.598、0.627和0.632),能更好更准确地对食管鳞状细胞癌患者进行预后预测。

基于径向基函数神经网络的肺部加权频差电阻抗成像方法

目的对肺通气过程进行床旁实时连续图像监控,是机械通气患者和临床医生的迫切需求。肺部电阻抗成像(EIT)可反映呼吸引起的胸腔电特性变化分布,在肺通气监测方面具有天然的优势。本文目的在于建立基于径向基函数神经网络(RBFNN)的肺部加权频差电阻抗成像(wfd-EIT)方法,实现对肺通气的高空间分辨率成像。方法利用肺部wfd-EIT成像方法实时描绘胸腔电导率分布状况,再通过RBFNN将目标区域可视化并精准识别其边界信息。首先通过数值分析模拟,在各个激励频率利用COMSOL与MATLAB软件建立2028个仿真样本,分为训练样本集和测试样本集,验证所提出成像方法的可行性和有效性。其次,为了验证仿真结果,建立肺部物理模型,选用具有低电导特性的生物组织模拟肺部通气区域,对其进行成像实验,并采用图像相关系数(ICC)和肺区域比(LRR)定量数据衡量成像方法的准确性。结果wfd-EIT方法可以在任意时刻进行图像重建,并能够准确反映出目标区域的电特性分布;利用基于RBFNN的算法能够增强目标区域的成像精度,ICC可达0.94以上,更好地凸显其边界轮廓信息。结论通过wfd-EIT成像方法,利用多频阻抗谱同步测量实现目标区域的快速可视化,并结合RBFNN网络逼近任意非线性函数的优点,实现对目标区域电特性变化的精准识别,为下一步进行临床肺通气的EIT图像监测奠定了理论和技术基础。

上海生活垃圾理化性质演变与径向基函数神经网络模型预测:兼论垃圾分类的影响

生活垃圾受到社会经济因素驱动,其理化性质不断变化,并影响垃圾收运处理设施的建设规模和运行参数。大多城市缺少持续数十年的监测统计资料,国内外文献较少报道垃圾理化性质的历史演变及预测研究。在回顾1990—2018年上海生活垃圾理化性质的长时间序列数据基础上,建立了灰色预测与径向基函数(BRF)神经网络模型,预测上海2019—2030年的生活垃圾理化性质,并与国内外30个城市比较。结果表明:(1)近30年来上海生活垃圾厨余类占比(基于干基总固体质量计算)从82.72%降低至54.78%,纸类和橡塑类占比上升;容重和含水率呈下降趋势,而低位发热量则表现为明显上升趋势。(2)人均国内生产总值(GDP)是关键影响因素,与厨余类占比呈负相关性,而与纸类和橡塑类占比呈正相关性。(3)在垃圾不分类情景下,上海2019—2030年的厨余类占比将从52.74%下降至44.24%,纸类和橡塑类占比呈上升趋势。在垃圾分类情景下,纸类和橡塑类占比将分别上升至37.20%和44.67%。此外,预测结果与基于上海和国内外城市混合数据的预测值具有较好的一致性。研究结果对全国新一轮生活垃圾的分类、收运、处理处置规划具有参考价值。

径向基函数神经网络指导的粒子群优化算法求解多峰优化问题

面对多峰优化问题粒子群优化算法因多样性不足和搜索动作选取不合理,难以找到问题的全局最优解.为此本文提出一种径向基函数神经网络指导的粒子群优化算法.首先设计子群划分方法,将种群划分成多个子群,子群中心作为子群粒子的学习目标,指导其搜索.该方法充分考虑种群多样性,选择能代表子群搜索特性的粒子作为子群中心,并使之远离存在的中心,通过选择合适的子群中心,实现子群划分.不同子群粒子在各自子群中心指导下搜索,呈现多样的搜索特性.其次,利用子群中心设置隐藏层节点,并在输出层输出粒子加速系数的调整动作.最后引入强化学习来训练网络.在CEC2013的15个多峰函数上开展实验,结果表明本文方法明显提高了多峰优化问题的求解精度.

一种基于径向基函数神经网络的电子侦察无人机资源调度方法

针对电子侦察无人机的资源调度问题,将电子侦察资源调度问题转换成目标优先级分配问题,并提出了一种基于径向基函数神经网络的电子侦察资源调度方法,通过对目标分配优先级进行智能学习分配,达到侦察资源利用率最大化。仿真结果表明,该方法可以根据侦察目标的多维度信息自适应分配无人机侦察资源,相比传统传感器资源分配调度更加高效。

超临界锅炉烟气脱硝喷氨量混结构–径向基函数神经网络最优控制

喷氨量大小不仅影响超临界锅炉选择性催化还原(selective catalytic reduction,SCR)烟气脱硝装置的效率,过量喷氨也会导致下游空预器受热面的积灰、腐蚀和造成资源浪费、二次污染,且在变负荷时,传统PID控制方式很难实现最佳控制。通过引入混结构隐含层,改善传统RBF神经网络变工况控制时的非线性和扰动适应能力,设计了基于混结构RBF神经网络(MS-RBFNN)的喷氨流量最优控制系统,用MS-RBFNN综合学习当前主要相关状态参数,以SCR脱硝装置出口NOx排放量最小作为学习训练信号,实时并行计算出最优喷氨控制流量。实验结果表明,此优化方案相对传统PID控制,具有更好的NOx排放控制效果和变工况适应能力,同时节约了喷氨量。

基于径向基函数神经网络和模糊积分融合的电网分区故障诊断

为有效解决分区故障诊断关于互连区域间联络线的诊断问题,提出了基于径向基函数神经网络和模糊积分融合的大电网故障诊断方法。该方法通过网络重叠分区将大电网划分为若干区域,故障发生后根据警报信息选择性触发警报信息所在区域对应的区域径向基函数神经网络诊断模块,然后利用模糊积分关联融合相连区域关于联络线的诊断输出,实现对联络线的故障诊断。该方法不仅可以诊断各区域内部发生的故障,而且能够有效地诊断区域间联络线发生的故障。算例仿真结果表明:该方法简单、有效,能弥补现有电网分区故障诊断方法在联络线故障诊断方面存在的不足,且能够处理各种复杂故障情况,具有良好的故障容错能力。

基于径向基函数神经网络的电网模糊元胞故障诊断

提出了基于径向基函数神经网络的电网模糊元胞故障诊断方法,旨在有效解决神经网络应用于电网故障诊断所面临的适应网络拓扑结构变化的可移植性问题。该方法以单个线路、母线和变压器为元胞对象,以保护各元胞的所有关联保护和对应的断路器为输入,建立了元胞通用神经网络诊断模型,并给出了故障诊断时模型的自动生成方法。此外,考虑到电网故障信息存在不完备性和不确定性,本文采用模糊矢状图来描述电网元件、保护和断路器之间的逻辑推理关系,并提取出蕴含不确定性的模糊推理规则,用于训练元胞通用神经网络。算例仿真结果表明,该方法简单、有效,能处理各种复杂故障情况,且能有效适应网络拓扑结构的变化,具有良好的容错性和可移植性。

基于径向基函数神经网络和模糊控制系统的电网故障诊断新方法

该文针对RBF神经网络的知识存储和诊断过程是一个黑箱,对运行人员不透明,且当电网拓扑结构发生变化或扩展时,神经网络只能重新训练等问题,推导并建立了RBF神经网络和模糊控制系统之间的等值关系,使得蕴含在RBF神经网络权重中的知识转变为等值模糊控制系统中用语言表述的规则。在此基础上,针对电网结构发生变化或扩展情况,提出了RBF神经网络的局部重新训练新算法。提出的基于RBF神经网络和等值模糊控制系统的故障诊断方法在IEEE118母线系统中进行了仿真试验,结果表明:基于RBF网络与等值模糊系统的故障诊断方法诊断知识易于理解,诊断过程透明,并能适应电网拓扑结构发生变化或扩展的情况,效果理想。

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。

基于模糊径向基函数神经网络的PID算法球磨机控制系统研究

针对球磨机制粉系统的多变量、强耦合、非线性和时变性等特点,提出应用于球磨机对象控制的基于模糊径向基函数神经网络的PID控制算法。在这种控制系统中,PID控制器的控制参数采用模糊径向基函数神经网络进行自适应整定,系统控制参数采用混合优化算法,即首先采用混沌粒子群优化(particle swarm optimization,PSO)算法进行离线粗调,再采用BP算法进行在线细调,从而快速全局收敛得到最佳的PID控制参数。Matlab仿真结果表明,该控制系统有效地解决了球磨机这种复杂对象的控制问题,该系统控制参数的优化算法收敛快、不易陷入局部极小点,系统控制跟踪快、超调小、解耦好、鲁棒性和适应性强,控制品质优于传统PID解耦控制方法。