基于RBFNN稳态逆模型的多端柔性多状态开关平滑切换策略

直流母线电压的稳定是柔性多状态开关正常运行的关键。柔性多状态开关(FMS)多工作模式的硬切换会导致直流母线电压产生剧烈波动,而采用平滑切换是实现母线电压稳定的最有效途径。文章详细分析了稳态逆模型平滑切换的原理,然后,针对其不足,深入研究了径相基函数神经网络(RBFNN)稳态逆模型平滑切换技术,给出了运用RBFNN改进稳态逆模型平滑切换的原理,进行了详细的实验验证。理论分析和实验结果显示,通过RBFNN控制修正PI输出来补偿扰动对系统的影响,将修正后的PI输出与稳态逆模型输出叠加生成内环参考值,有效平缓切换瞬间母线电压的振荡,能够实现直流母线电压波动小、响应速度快、动态特性佳、适应工况广等优点。

基于多层混合级联RBFNN的自适应烟丝恒流量调控系统

为解决烟草制丝过程中恒流量控制系统瞬时流量波动大的问题,提出了一种烟丝输送恒流量控制系统的软、硬件优化方法。硬件方面采用智能光栅检测高度,通过将物料高度转换为4~20 mA电流信号,实现了物料高度任意位置的精确检测,为系统控制提供硬件支持;软件方面提出了一种基于多层混合级联RBFNN的自适应烟丝恒流量调控算法,该算法通过混合级联多层RBFNN前馈神经网络来解决单层RBFNN拟合能力较差的问题,并通过不同的物料状态、流量等数据,实现了快速稳定的自适应计量管物料高度调控。测试结果表明:改进后的烟丝恒流量控制系统的波动由0.4%降低到0.18%。可为实现恒流量控制的最优状态及提高智能制造水平提供重要参考。

基于LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索(LASSO)算法与径向基函数神经网络(RBFNN)相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。

基于RBFNN算法的认知情感状态识别模型在学生学习状态评判中的应用

学生的学习状态可以通过认知情感状态来判别,采用机器视觉技术和引入注意力机制的CNN算法可以更好地捕捉和分析学生的脸部表情与身体姿态,以此作为基于RBFNN算法构建认知情感状态识别模型的输入参数,提高认知情感状态识别的时效性和准确性。应用结果表明,该认知情感状态识别模型,能够提高学生学业评判和教师教学评价的科学性,提高教学效果。

基于RBFNN-ISSA的特大跨径悬索桥有限元模型修正

针对大跨径悬索桥一类复杂结构的有限元模型修正问题,提出了一种基于径向基神经网络(radial basis function neural network,RBFNN)子结构代理模型与改进麻雀搜索算法(improved sparrow search algorithm,ISSA)的有限元模型修正方法。首先,基于桥梁图纸数据采用通用有限元软件建立一座大跨悬索桥的初始有限元模型,并根据拉丁超立方抽样原则生成子结构材料参数-结构响应的训练样本,通过RBF神经网络和子结构模拟方法对初始有限元模型进行解构重组和样本学习,拟合关于材料参数-结构响应的代理模型。其次,建立考虑主梁挠度和模态频率误差最小的有限元模型参数修正数学优化模型,采用Tent混沌映射及黄金正弦策略改进标准麻雀搜索算法,引入柯西分布函数和贪心保留策略对每一代麻雀种群进行扰动,以用于求解联合静、动力特征的有限元模型修正数学优化问题。最后,以杭瑞高速洞庭湖大桥为工程背景,进行了悬索桥荷载试验,利用实测桥梁响应数据验证了该方法的可行性。研究结果表明:基于RBF神经网络与子结构法的模型修正方法,可以建立拟合精度较高的悬索桥结构代理模型;基于子结构RBF神经网络与改进麻雀搜索算法修正后的有限元模型相较于整体RBF神经网络、支持向量机和Kriging模型,大幅提升了对于实际结构的模拟精度,与实测数据相比,修正前后有限元模型在两级静力加载工况下13个有效测点挠度的平均相对误差降低了25%以上,前8阶模态频率的平均相对误差由-6.83%降至-2.38%,MAC值结果表明修正后模型能够准确地反映出大桥的实际振动状态,有效改善了初始有限元模型计算失真的情况;此外,基于混合策略改进后的麻雀搜索算法对于有限元模型修正参数的寻优具有更佳的收敛效率和稳定性。

基于RBFNN的CT机故障诊断方法研究

为提高CT机故障诊断精确度,规范医院机械使用管理,提出基于RBFNN的CT机故障诊断方法。通过采集CT机故障指标,如图像质量、机械部件运行状态、软件错误等信息,建立CT机故障样本库,并引入RBFNN网络进行数据特征提取和分类,比对CT机运行数据与故障类型特征,对其进行故障诊断。实验结果表明,该方法可以实现对CT机故障的精准诊断,应用效果良好。

ARIMA-RBFNN组合模型在白城市降水量预测中的应用

针对降水受大气环流、地形、气压等诸多环境因素影响致使准确预报降水量较为困难的问题,结合ARIMA模型和RBFNN模型各自优势,提出了ARIMA-RBFNN组合模型,对白城市2001~2010年降水量进行了预报,并与ARIMA模型和RBFNN模型预报结果进行了对比分析。结果表明,ARIMA-RBFNN组合模型在预测降水量时最大相对误差为27.33%,最小相对误差为0.70%,平均相对误差为8.54%,预测精度明显优于ARIMA模型和RBFNN模型,可见该组合模型发挥了ARIMA模型和RBFNN模型各自的优点,为精确预测降水量提供了一种有效方法。

基于PSO-RBFNN的电动汽车锂电池SOC预测

针对现有电动汽车锂电池SOC预测不准的问题,提出了一种锂电池SOC预测新方法。采用粒子群算法对径向基神经网络的3个主要参数进行优化,建立了基于PSO-RBFNN的电动汽车锂电池SOC预测模型,采用锂电池充放电实验数据进行仿真分析,并与其他方法的预测结果对比,结果表明,PSO-RBFNN模型预测结果的均方根误差和平均相对误差分别为3.725×10^(-4)和3.642%,两项误差指标均优于其他方法,验证了所提SOC预测方法的有效性。

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换(FFT)方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足,提出了集小波分析、模糊理论和径向基函数神经网络(RBFNN)优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪,提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化,提取关系型征兆;然后将这2种特征组合,形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明,该方法能够全面准确地提取水电机组稳定性状态特征,在水电机组故障诊断上具有一定的可行性和有效性。

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能,直接甲醇燃料电池(DMFC)堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法,避开了电堆的内部复杂性;在控制过程中,将训练好的网络模型作为DMFC控制系统的参考模型,采用一种改进的模糊遗传算法(FGA)在线对神经模糊控制器的参数进行自适应调整,采用最近邻聚类算法(NNCA)对控制器的模糊规则库进行更新。在仿真实验中,将所提出的算法与非线性PID和传统模糊算法进行比较,结果表明所设计的神经模糊控制器具有较好的性能。

基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。

基于RBFNN的高压输电线路故障诊断

本文在对电力系统故障诊断方法进行分析的基础上,利用径向基函数(RadialBasisFunction RBF)网络适合于求解模式识别问题的优势,提出了应用RBF神经网络(简称RBFNN)来实现高压输电线路的故障诊断,建造了基于RBFNN的高压输电线路故障诊断模型结构,并且给出了确定RBF网络最佳聚类数的标准。仿真分析及容错性测试结果表明,本文所提方法能有效地实现高压输电线路系统的故障诊断,而且在网络的训练速度以及对因干扰而畸变的输入信息情况的容错能力方面都优于传统的BP神经网络,对实时信息处理系统具有一定的适用性。

基于两层迭代聚类算法的RBFNN及在发电机诊断中的应用

首先分析了传统的基于K均值聚类算法径向基函数神经网络(RBFNN)的缺点,即需要人为确定隐含层神经元数量,并且不同的初始化方法有不同的聚类结果和学习误差。然后提出了一种新的RBFNN算法——两层迭代聚类算法,能根据样本的分布情况自动计算RBFNN隐含层神经元数量、中心向量和宽度。将实测的 MJF-30-6型发电机正常运行、转子励磁绕组故障运行和定子绕组故障时定转子径向振动信号作为学习样本,运用文中所述算法与传统的RBFNN算法比较,结果表明,基于两层迭代聚类算法的RBFNN具有较小的学习误差。

基于EMD-RBFNN的稀土原地浸矿边坡位移预测

受温差、冰霜、扰动等因素影响,原地浸矿在线监测系统采集的数据含有大量噪声和干扰信号,利用系统自带的温度补偿模块难以达到预定数据精度,使得后续预测预警工作出现误差。为此,对原始信号进行处理,EMD分解后,IMF分量可实现自由重构,去掉高频分量,能够较好地去除环境因素对在线监测位移数据的影响,低频分量能更好地反映实际位移值。借助EMD技术的自适应分解特性,提取真实监测数据,并利用RBFNN的最佳逼近效果,建立在线监测数据EMD-RBFNN预测模型。根据某稀土矿实测地表位移数据,进行预测检验,结果表明,EMDRBFNN模型的地表位移预测数据相对误差仅0.12%,具有较好可靠性和预测精度。

RBFNN模型在渗透系数反演中的应用

针对经典的BP网络存在的一些缺陷,采用了径向基函数神经网络(RBFNN)。在相同的收敛条件下,用RBFNN和经典算法的BP网络进行了比较,表明前者具有优越性。在工程实例中,基于人工神经网络的非线性特点,在三维渗流有限元的基础上,利用RBFNN反演了大坝的渗透系数。并利用反演结果进行渗流场分析,水头预报值也有很高的精度,说明反演结果是正确的,从而,验证了RBFNN应用于反演分析中的可靠性。

RBFNN在大坝变形长期预测中的应用

针对大坝变形预测模型长期预测精度较低的问题,提出了一种基于中心等分布的RBFNN长期预测模型,以东江流域某混凝土双曲拱坝为例进行了长期预测,并在同等条件下与BP神经网络和多元回归预测模型进行了比较。结果表明,该模型预测精度较高,具有良好的适用性。

基于改进RBFNN算法的瓦斯传感器非线性校正

为了提高瓦斯传感器的精度和灵敏度,提出将改进的径向基函数神经网络(RBFNN)算法应用于瓦斯传感器系统中,对瓦斯传感器的非线性进行校正,同时分析了温度对瓦斯浓度预测的影响,然后利用RBFNN进行离散训练。实验结果表明,经过改进径向基函数神经网络(RBFNN)后,得到的数据比实际测量的瓦斯浓度要更接近于真实值,所产生的平均误差≤±0.1%。预测效果很好,达到了预期的技术指标,提高了瓦斯检测的灵敏度和精度。

基于RBFNN和GA的重叠峰分辨新技术

根据光谱线型函数和色谱峰型函数的 (近似 )径向对称性和紧支性 ,首先构造了以线型或峰型函数为基函数的径向基函数神经网络 ( RBFNN) ,在 RBFNN学习算法中引入了基于可行域约束和共享小生境技术的遗传算法( GA) ,从而使 RBFNN具有了结构自学习和参数优化的能力 .最后将具有结构自学习能力的 RBFNN成功地引入至谱图的重叠峰解析辨识研究中 ,试图建立一种适应光谱和色谱谱图重叠峰解析辨识的统一架构 ,并达到了预期的目的 .为了提高解析辨识的成功率 ,避免遗传算法的盲目搜索 ,文章还将参数的约束关系作为罚函数引入至遗传算法的适应值函数中 ,极大地限制了解的空间 ,减少了病态解发生的概率 .

基于在线学习RBFNN的网络安全态势预测技术研究

随着网络攻击事件愈演愈烈,现有的网络防御技术已经不能满足当今形势下大规模网络安全的需求,网络安全态势预测作为一项新的网络安全主动防御技术应运而生。当前,将人工神经网络并行化处理非线性数据的能力用于网络安全态势预测已成为主流。在使用人工神经网络建模并进行网络安全态势预测时,多数采用的是离线学习算法,需要提前设计好网络结构及参数。但是,如果输入样本维数发生变化,必须重新设计模型结构和训练网络参数,否则,会造成预测结果误差过大,达不到预期效果。这无疑增加了操作复杂度,浪费大量的时间,不符合网络安全态势预测实时性的特点。针对以上问题,文章结合在线学习RBFNN自适应动态调整网络结构的特点,提出分组优化法训练网络参数,建立基于在线学习RBFNN的网络安全态势预测模型,并对网络安全态势进行预测。

基于改进t-SNE和RBFNN的柴油机故障诊断

针对柴油机故障诊断问题,提出一种基于改进t分布的随机邻域嵌入(t-SNE)和径向基函数神经网络(RBFNN)的柴油机故障诊断方法。针对t-SNE算法对振动信号的实际降维效果不够理想的问题,进行自适应加权优化;引入遗传算法(GA)解决果蝇优化算法(FOA)陷入局部最优的问题,将GA-FOA应用于RBFNN参数选取中;采用改进后的RBFNN模型对经自适应加权t-SNE降维的数据进行故障识别。研究结果表明,改进后的算法能明显改善聚类效果,提高故障识别的正确率,具有良好的应用前景。