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。

改进ASMDE算法和RBFNN的配电网线损计算

针对中压配电网结构复杂,运行数据不全,常规网损计算方法难以实施的问题,提出了一种配电网线损的实用计算方法。利用RBF神经网络的强拟合特性,映射配电线路的特征参量与线损之间复杂的非线性关系,记忆配电线路在结构参数和运行参数变化时线损的变化规律,建立了基于RBF神经网络的线损计算模型。采用改进的自适应二次变异差分进化(ASMDE)算法,对RBF神经网络的结构参数进行整体优化,克服了常规算法隐含层与输出层结构参数分开确定,输出层易陷入局部极小的缺点。实例仿真验证了所提方法的有效性和实用性。

基于RBFNN的非线性多变量系统的控制策略研究

针对非线性多变量大时滞系统,研究了一种基于神经网络的智能控制策略。它以经典的PID控制为基础,通过神经网络参数整定,用于多变量系统的解耦控制;用预测模型超前预测系统输出,以克服系统的时滞。该文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制律下的PID参数,解耦后的系统具有较好的动态和静态性能。该方法具有控制精度高、响应速度快的优点,并具有较强的自适应性和鲁棒性。

基于RBFNNS的某电液伺服系统ISPID控制

针对某扫雷犁电液伺服系统存在非线性和时变性,难以对其实现平稳快速和精确控制的问题,提出了将积分分离PID控制和RBF网络监督相结合的控制方案。该方案利用两种控制方法各自的优点,实现对某扫雷犁电液伺服系统的最优控制。通过MATLAB计算机仿真和试验,结果证明该控制方案具有较高的可行性和正确性,所设计的控制系统具有响应快、超调量小、精度高、鲁棒性强等特点,能够满足某扫雷犁电液伺服系统的性能要求。

基于RBFNN的卫星地面站系统建模方法

如何建立卫星地面站系统的快速模型,是卫星地面站资源配置优化和长远规划中必须解决的问题。提出了基于径向基神经网络的卫星地面站系统建模方法。分析评价指标,确定输入输出参数和取值范围,以仿真数据为基础,通过选择合适的径向基函数和利用遗传算法改进ROLS算法的方法,能够在有限的训练样本下获得具有较好测试结果的神经网络模型。最后针对案例进行了验证。实验证明,方法能够建立可信的卫星地面站模型,算法复杂度低、运行速度快,适用于卫星地面站的资源配置优化和长远规划。

基于误分类代价最小化的RBF神经网络

RBF神经网络(Radial Basis Function Neural Network,RBFNN)以简单的结构、较快的收敛速度,以及全局寻优的方式,实现了以任意给定的精度去逼近任意连续的非线性系统的功能。因此,RBFNN获得了广泛的应用。在设备故障诊断领域,不同类型的设备故障由于误分类而造成的代价并不相同。比如将设备故障状态识别为正常状态所造成的代价,要比将正常状态识别为故障类型要高得多。而RBFNN却是以每类样本的误分类代价相等为假设前提的。

改进的OLS算法选择RBFNN中心的方法

提出了一种优化选择径向基神经网络数据中心的算法,该算法结合了Kohonen网络的模式分类能力,将初步分类结果用做RBFNN的初始数据中心,然后采用OLS算法进行优化选择,对比仿真实验表明该算法效果比单独使用OLS算法生成的RBFNN性能更好。

基于ESN和改进RBFNN的城市燃气负荷预测

城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容.针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文提出一种ESN和改进RBF神经网络的组合预测模型.首先用核Fisher线性判别对原始数据进行降维,其次用ESN模型进行初步预测,然后将ESN的预测结果作为RBF神经网络的输入来构建组合模型,并将差分进化算法和梯度下降算法结合,对RBF神经网络的结构和参数同时进行训练和优化,以增强算法的局部搜索能力,加快收敛速度.实验结果表明,本文模型比原组合模型的预测精度更高.

一种基于聚类的RBF神经网络模型

应用于工程中的径向基函数(RBF)神经网络模型,当训练样本量很大时常存在训练学习速度慢和拟合精度不高的问题.针对这一情况提出了一种基于聚类的RBF神经网络(BC-RBFNN)模型.该模型首先通过对训练样本进行聚类分析,将其分为不同的类,接着根据每类的训练样本构造一个RBF子网并获取其相关参数,接着再将各个子网组织成一个BC-RBFNN模型.通过对其进行理论分析和性能检验试验,结果表明该模型能加快网络训练学习速度,缩小的模型规模,提高网络的预测精度.

废水中和过程的RBF神经网络预测控制

废水中和过程有较强的非线性、时变性和滞后特性,对于过程模型的辨识与控制较为困难,采用常规的线性化模型或传统PID控制方法存在模型过于复杂,算法难以在线实施,控制精度不能保证等问题,很难取得满意的控制效果、针对该问题,应用酸碱中和的强酸当量模型,提出了一种基于敏感度(Sensitivity Analysis,SA)和动态粒子群优化算法(Dynamic Particle Swarm Optimization,DPSO)相结合的RBF神经网络模型辨识方法,通过调整网络结构和辨识出系统的滞后时间来提高模型辨识效率和预测精度,将RBF神经网络辨识器与神经网络控制器相结合构成电厂废水处理pH中和过程的预测控制系统。经过仿真研究和试验验证,与电厂实际应用的PID控制方法相比较,该方法能有效地对pH值进行控制,并实现较小的控制误差和节约药剂的效果。

粒子群优化的RBF神经网络功放行为模型

研究功率放大器的非线性行为模型建模问题.功率放大器既呈现非线性,又呈现记忆效应,为了对具有记忆效应的非线性功率放大器进行精确的行为模型建模,提出了基于粒子群优化的RBF神经网络射频功放行为模型.利用freescale半导体晶体管MRF6S21140器件模型及设计的电路从ADS中导出输入输出数据,对射频功率放大器模型进行了仿真实现,得出了输出电压幅度的拟合曲线以及误差曲线.仿真结果表明:PSO-RBF射频功放模型能够获得较好的精度,能够很好的描述射频功率放大器的非线性和记忆效应,为有效解决精确建立射频功放行为建模的问题提供了参考方法.

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性。

Gaussian型RBF神经网络的函数逼近仿真研究

为了研究Gaussian型RBF神经网络的逼近能力,首先介绍了Gaussian型RBF神经网络的结构和算法,然后在MATLAB7.0环境下,编程建立了Gaussian型RBF神经网络和BP神经网络,并以具体的非线性函数为例,分别用两种神经网络对其进行逼近.仿真结果表明,相对于传统BP神经网络而言,Gaussian型RBF神经网络对于非线性函数的逼近精度更高、收敛速度更快,具有良好的逼近能力,为解决非线性函数的逼近问题提供了良好的解决手段.

基于半物理仿真的RBF神经网络滑模控制

针对一类不确定时滞系统研究滑模控制的实现问题。对于实际应用对象的时滞特性采取了特殊的线性变换,将原时滞系统转化为无时滞系统。通过设计二次型性能指标计算得到了最优的切换函数,并使用RBF神经网络实现了滑模控制的自适应等效控制,保证了系统能够克服扰动,系统状态在有限时间能够到达滑模面。系统仿真验证了该方法的有效性和稳定性。

基于SPSS的PCA-RBF神经网络模型的仿真试验

以SPSS软件为试验平台,根据PCA-RBF神经网络理论,结合SPSS软件的主成分分析模块和神经网络模块,运用人工近红外谱模拟数据估计葡萄糖浓度,实现PCA-RBF神经网络模型的仿真试验。相比与Matlab、C/C++等软件,该方法免去了繁琐的编程,为工程应用提供了一个简单快捷的试验途径。试验结果表明,利用SPSS软件实现PCA-RBF神经网络预测取得了非常满意的结果。

基于滑模观测器与径向基网络的电液位置伺服系统反步控制

针对传统电液伺服系统中存在的未知扰动、非线性动态以及参数不确定性等共性问题,提出了一种基于滑模观测器和径向基函数(RBF)神经网络的反步控制(BC)方法。首先,构建了阀控缸系统三阶严反馈状态空间模型,并采用具有有限时间收敛特性的滑模观测器,估计系统的未知速度状态和非匹配项集总扰动;然后,基于系统的严反馈模型和指令滤波技术,设计了反步控制器,利用径向基神经网络(RBFNN)补偿系统速度/扰动的估计误差、滤波偏差以及系统的匹配项扰动,并根据Lyapunov稳定性定理证明了闭环系统跟踪误差的渐进有界收敛;最后,搭建了阀控缸电液控制系统实验平台,通过仿真和实验验证了该控制方法对多频率参考信号的跟踪性能。研究结果表明:该控制方法在传统PI控制器的基础上进一步改善了电液伺服系统的轨迹跟踪精度,实验跟踪误差最大值M e、跟踪误差平均值μ和跟踪误差均方值σ分别降低了66.7%、80%、83.3%;该滑模干扰观测器和RBF补偿器能够有效降低不确定性扰动的影响。

基于RBF-ADRC的高速列车速度控制算法

针对高速列车运行过程中的时变与非线性模型问题,提出一种基于径向基(RBF)神经网络(RBFNN)优化的高速列车速度自抗扰控制(ADRC)算法。首先,以单质点模型建立列车动力学方程;其次,将ADRC技术应用到列车上,以列车外干扰作为扩张部分,借助非线性误差反馈控制律实时观测和补偿系统扰动,设计基于RBFNN优化的ADRC控制器;然后,以CRH380型列车参数进行目标速度曲线仿真追踪,验证RBF-ADRC控制器追踪性能;最后,将设计的RBF-ADRC控制器与传统ADRC控制器在抗干扰性能和追踪误差方面进行比较。结果表明:基于RBF-ADRC的控制器抗干扰性能高于传统的ADRC控制,且追踪误差更小,适用于列车严格运行条件。

RBF神经网络在油田累计产量系统的建模和预测中的应用

在 k-mains聚类分析方法的基础上 ,提出一种新的聚类方法 ,将其与最小二乘法相结合 ,不仅提高了 RBFNN模型的精度和运算速度 ,而且可以动态的决定 RBFNN的结构。在此基础上 ,提出了对 RBF中心建模的方法 ,并将其应用于油田累计产量系统的建模和预测 ,结果表明这些方法是有效而适用的。

基于改进径向基函数神经网络的激光陀螺温度补偿

传统的径向基神经网络(RBFNN)在激光陀螺零偏的温度补偿过程中会由于随机选取中心不合适而导致算法效率降低和数值病态,故本文提出了一种基于Kohonen网络和正交最小二乘(OLS)算法的RBFNN温度补偿方法。介绍了该方法的原理及建模步骤,设计了常温和变温环境下激光陀螺的数据采集试验及其温度补偿试验。由于结合了Kohonen网络的模式分类能力和OLS的优化选择能力,该方法可以快速、准确地辨识出受温度影响的激光陀螺零偏。利用逐步回归法、RBFNN法及其改进方法对多种温变环境影响的激光陀螺零偏进行了辨识与补偿试验,试验结果表明,在常温环境下,三者的辨识能力相当;随着温变速率的上升,改进RBFNN法不仅节省了时间,其补偿后的零偏也均小于5×10-4(°)/h(1σ),提高精度均能达86%以上。得到的结果表明改进RBFNN法提高了辨识精度且稳定、有效,适用于多种温度变化环境下激光陀螺零偏的温度补偿。

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。