基于卡尔曼滤波融合算法的空气质量指数预测

分析了卡尔曼滤波算法的基本原理及其对空气质量指数(AQI)的预测机制。利用自回归滑动平均模型(ARMA)为卡尔曼滤波建立数学模型,提出了将径向基函数(RBF)神经网络融合于卡尔曼滤波,实现了新的融合算法对AQI进行预测。根据AQI时间序列的特点,建立了自回归预测模型,进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络,用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。仿真结果表明,融合了RBF神经网络后的卡尔曼滤波预测算法改善了单一方法预测滞后的现象,减小了误差,提高了预测精度。

基于卡尔曼滤波的空气质量指数预测方法

分析了卡尔曼滤波预测空气质量指数的机理,用ARMA算法为卡尔曼滤波建立模型,提出了将RBF神经网络融合于卡尔曼滤波的方法,实现对空气质量指数的混合预测。根据空气质量指数时间序列的特点,建立了自回归预测模型,进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络,用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。融合了RBF神经网络后的卡尔曼滤波预测方法减少了单一方法的延迟现象,使同种性质的误差累积减小,提高了预测精度。对AQI序列预测的仿真显示融合后的卡尔曼滤波方法优于单一的卡尔曼滤波方法,亦优于现已广泛应用的BP神经网络预测方法。

RBF神经网络在柴油机振动故障诊断的应用

建立基于RBF神经网络柴油机振动故障诊断系统。在时间序列分析结果中提取故障特征参数,建立适当的RBF神经网络,将神经网络应用在识别柴油机的工作状态和故障类型。实验结果表明能够高效地识别柴油机的不同故障类型。