基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别

针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题,将云遗传算法(CGA)和SNPOM算法结合,提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景,设计了基于CGA-SNPOM优化RBF-ARX的板形缺陷识别模型。分别用SNPOM算法和CGA-SNPOM算法对RBF-ARX模型参数进行优化,仿真验证表明,基于CGA-SNPOM优化的板形识别系统克服了SNPOM容易陷入局部极值的缺点,识别精度大幅提高,是一种有效的板形识别方案。

基于线性函数型权重的RBF-ARX模型的磁悬浮球系统预测控制

为了充分描述磁悬浮球系统具有非线性、开环不稳定性及响应快速性等特性,建立一个带线性函数权重的RBF-ARX(linear functional weight RBF networks-based ARX model,LFWRBF-ARX)模型。与一般的RBF-ARX模型不同之处在于,它引入1个与工作点状态相关的局部线性结构作为RBF网络输出层的权值。该模型随系统工作点的变化而变化,固定工作点时为局部线性ARX模型,当工作点变化时为全局非线性ARX模型。根据该模型的结构特点,采用结构化非线性参数优化方法(structured nonlinear parameter optimization method,SNPOM)来辨识模型的结构及线性、非线性参数。然后,以辨识的模型为基础,根据模型的局部线性及全局非线性特征设计预测控制器。仿真结果表明:以该建模方法建立的模型能很好地局部和全局描述磁悬浮球系统的动态特性,并能实现小球的稳定悬浮控制,比以一般ARX模型、RBF-ARX模型为基础的控制效果更好。

基于RBF-ARX模型的绞吸挖泥船横移过程模型设计

由于绞吸挖泥船横移过程的影响因素众多,具有明显的非线性和时变性特征,难以精确建模来描述其动态特性。因此在对挖泥船产量形成过程详细分析的基础上,针对传统神经网络收敛速度慢、隐含层较多、训练阶段无法自适应调整网络结构的缺点,采用RBF-ARX模型结构进行绞吸挖泥船产量和横移速度的建模。通过结构化非线性参数优化方法SNPOM,离线识别出RBF-ARX模型的线性和非线性参数,并利用仿真对所建模型和真实数据的误差进行对比。仿真结果表明:所建立的绞吸式挖泥船横移过程模型能够比较准确描述系统在全局范围内的动态特性,与挖泥船的实际产量输出拟合较好。

一种新的ARX模型在磁悬浮系统建模中的应用

采用一种新的ARX模型(RBF-ARX模型)对磁悬浮系统进行离线建模,讨论了RBF-ARX模型的原理、结构的选取、模型参数辨识和RBF参数优化等问题。文章分别采用不同的序列作为状态变量,分别建立RBF-ARX模型,并分析了各模型的性能及可靠性。模型的预测输出和仿真结果,证实了RBF-ARX模型在非线性系统建模和辨识中的有效性。通过与ARX模型的比较,证明了RBF-ARX模型在非线性系统建模中效果更好。

RBF网络参数优化方法及其在开关磁阻电机建模中的应用

基于全局搜索的进化算法——粒子群算法(QPSO)和一种局部搜索算法——结构化的非线性参数优化方法(SNPOM),提出了一种混合的优化算法估计RBF神经网络中的参数——网络中心、线性参数、非线性参数,初始化一定数目的种群作为SNPOM的初始值,得到其适应值,通过选择、交叉、替换策略更新种群,完成网络中心初始值的寻优。再用SNPOM方法进一步优化,以提高SNPOM算法的全局搜索能力。仿真结果表明,混合优化方法比单独采用SNPOM法更优,且优于其他算法。并针对开关磁阻电机(SRM)高度非线性的开发重点和难点,用RBF网络进行SRM建模,将QPSO-SNPOM算法应用于RBF模型参数优化中,仿真实验结果表明,该算法较SNPOM算法精度更高、泛化能力更强,较遗传混合算法更快,训练后的RBF模型完全满足开关磁阻电机特性。