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。

基于改进径向基函数神经网络的图像识别系统设计研究

为保证神经网络的并行计算能力,降低神经网络计算复杂度,基于改进径向基函数(radial basis function, RBF)神经网络设计了一款功能完善、实用性强的图像识别系统。首先,从图像识别系统架构、图像识别系统业务流程、系统运行环境搭建三个方面入手,确定系统设计方案。其次,结合基于改进RBF神经网络算法,完成基于改进RBF神经网络图像识别系统的设计。最后,将改进RBF神经网络图像识别算法与其他三种算法进行实验对比。结果表明:本文系统采用的改进RBF神经网络算法识别效率高,与LeNet-5、AlexNet和VGG16三种算法相比,其平均识别时间明显缩短50%,完全符合实际应用需求。

基于正则模糊划分的模糊系统及其逼近性质

文中讨论了带有不同模糊基函数的模糊系统的逼近问题。首先,基于一维正则模糊划分和重叠函数建立多维正则模糊划分,以划分中的元素为模糊基函数设计模糊系统,应用Weierstrass逼近定理证明了该模糊系统是通用逼近器,给出了模糊系统的逼近误差界。其次,提出了多项式型、指数型和对数型模糊系统,并给出了带有隶属函数参数的逼近误差界。最后,通过数值实验对不同模糊系统的逼近能力进行了比较,实验结果进一步验证了理论分析的正确性。

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。

基于自适应模糊系统的径向基高斯函数网络系统辨识方法

提出了一种基于自适应模糊系统的径向基高斯函数系统辨识方法,与传统的系统辨识和仿真方法相比,更具有精确性与智能性.RBF(radial based function)网络在逼近能力、分类能力和学习速度上均有优势.自适应神经-模糊推理系统(ANFIS)混合学习算法减少了原始纯反向传播算法搜索空间的维数,故收敛速度非常快.根据 ANFIS和RBF的特点,将它们结合起来,形成了基于自适应模糊系统的径向基高斯函数网络的系统辨识方法.

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基(RBF)神经网络和自适应神经网络模糊系统(ANFIS)相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足。某电网实际预测结果表明,该方法具有较好的预测效果。

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。

电液伺服系统的模糊径向基函数网络监督控制

针对电液伺服系统存在未知干扰力及参数时变等问题,提出一种新型的模糊径向基函数(简称RBF)神经网络的在线控制方法。该方法基于RBF网络与模糊推理系统的等价性,将模糊推理的思想引入RBF神经网络,从而为RBF隐层数目和中心位置初始化找到一种有效的途径,并采用Kohonen竞争学习机制在线调节网络参数,构成模糊自组织RBF监督控制策略。对典型电液位置伺服系统的仿真结果表明,该方法实时性强,具有良好的鲁棒性和跟踪性能。

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法(PSO)优化的T-S模糊径向基函数(RBF)神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差(MSE)为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15 L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。

基于径向基函数网络的非线性离散时间系统的自适应控制

对于一类离散时间的非线性系统 x( k+ 1 ) =f ( x( k) ) + u( k) + d( k) ,当系统中的非线性函数 f( x( k) )满足线性增长条件时 ,首先证明了 {x( k) }落入一紧集中 ,然后根据高斯径向基函数网络的逼近性质 ,给出了自适应控制器的设计方法 .利用李亚普诺夫稳定性理论 ,证明了控制算法是全局稳定的 ,跟踪误差收敛于零的某一领域中 .

自适应T-S型模糊径向基函数网络

针对T-S型模糊推理系统的模型参数辨识问题,充分利用模糊推理系统的可理解性与神经网络的学习能力,提出一种自适应T-S型模糊径向基函数网络。为设计满足精度要求的最小结构神经网络,在对网络学习动态进行分析的基础上,给出了网络拓扑结构的动态构造学习算法。在不需要任何先验知识的情况下,能够根据任务复杂度和学习进度进行网络隐层节点的自适应增加、合并和删除操作。将该网络应用于非线性函数逼近问题,取得较好的效果。

基于模糊逻辑——径向基函数网络协作系统的交通事件自动检测算法

事件检测算法是事件管理系统的关键内容。利用神经网络和模糊逻辑结合系统进行事件检测是目前的研究热点 ,有两种形式 :模糊神经网络和模糊逻辑———神经网络协作系统 ,本文提出了基于模糊逻辑和径向基函数网络协作系统的事件自动检测算法 ,用径向基函数网络描述模糊逻辑 ,综合两者的优点。为了反映交通检测参数的相对变化 ,本文提出了新的交通流参数模糊化方法———二次高斯概率法。仿真数据表明 ,本文所提出的算法性能优越 。

一种基于径向基函数与模糊自适应共振的电子商务推荐方法

针对协同过滤推荐算法面临数据稀疏特征时推荐效果较差,存在冷启动、稀疏性、可扩展性等问题,提出应用径向基函数神经网络(RBFN)去解决传统协同过滤的缺点,有效地对稀疏性数据进行平滑处理,得到消除稀疏性后的完全评价矩阵。并提出通过模糊自适应共振神经网络对用户相似性聚类进行改进,进行实时推荐。实验评价结果表明,该方法与传统协同过滤推荐方法相比,无论在推荐精度还是推荐相关性上都更为有效。

一种径向基函数神经网络生成模糊系统的方法研究

如何建立合适的模糊规则.是模糊系统设计的关键和难点。传统的方法是依靠统计分析或经验建立模糊规则库[lJ,不仅难度大,而且建立的模糊系统缺乏适应能力。人工神经网络(ANN)技术的发展为模糊规则的自动获取提供了一条新途径.许多学者研究ANN与模糊系统的融合问题,其主要目的就是利用ANN的学习能力和自适应能力,从样本中提取模糊规则.形成具有自适应能力的模糊系统。

不确定电液伺服系统的时变输出约束自适应滤波控制

针对电液伺服系统位置跟踪控制中存在的输出约束和不确定性问题,提出一种基于正切型时变障碍Lyapunov函数的输出约束自适应滤波控制方法。构造具有时变约束边界的正切型时变障碍Lyapunov函数,通过时变边界函数的参数设置,使系统输出具有较好的瞬态和稳态性能;设计径向基函数(RBF)神经网络及权重自适应学习律,在线逼近由模型不确定性和未知干扰组成的复合干扰,并将逼近值用于反馈控制;采用二阶指令滤波反步法设计状态反馈控制律和误差补偿机制,避免反步设计中“计算爆炸”的问题,同时消除滤波误差,提高系统位置跟踪精度;依据Lyapunov稳定性理论证明闭环系统中所有误差信号的收敛性。仿真结果表明:系统的稳态误差在所提方法下约为3.48×10^(-8)m,相比于其他控制方法,跟踪误差始终约束在时变的约束边界内,跟踪精度和控制性能均得到提升。

基于径向基函数神经网络的光电系统自适应控制

针对光电跟踪系统对于跟踪目标的高精度需求,在硬件设计选型、装调适配完成后,通常需要伺服控制系统设计合理的算法以改善跟踪精度。为持续提高伺服控制系统的综合能力,首先分析跟踪精度的误差模型,通过理论推导以及典型数值计算仿真的方式,验证伺服控制器控制增益对于跟踪精度改善的重要性。在对比多型控制算法基础上,提出基于径向基函数神经网络的自适应控制方法,发挥神经网络控制能够自行学习优化的特点,使伺服稳定平台控制系统具有更高的跟踪精度和更好的鲁棒性。数字仿真以及半实物实验验证结果表明,与传统PID、积分分离PID、单神经元PID控制方法相比,在存在载体扰动条件下,所提方法能够实现在3 Hz带宽内时滞最小约为28 ms,幅值误差在3 Hz处约为4%,可为光电跟踪系统设计实现高精度跟踪提供一种有效设计思路。

基于径向基函数神经网络的空间漂浮机械臂装配控制

针对空间漂浮机械臂在轨装配中动力学模型失准、待装配模块质量特性未知情况下的精确控制问题,本文提出了一种基于径向基函数神经网络补偿控制的装配方法。给出空间漂浮装配机械臂的构型设计及动力学模型描述,设计了一种基于径向基函数神经网络原理的补偿控制率,进行了稳定性与收敛性分析,推导出基于径向基函数神经网络神经网络的空间漂浮基座机械臂装配控制自适应律。不同工况下的在轨装配仿真案例表明:基于径向基函数神经网络原理补偿的控制方法能够控制机械臂末端执行器在未知特性大负载作用下快速准确地跟踪期望轨迹,而不进行补偿时控制器性能下降严重、甚至失效。所提出装配控制方法具有较强的工程实用价值,能为未来空间装配任务提供有效借鉴。

基于人工智能技术的机器人运动控制系统设计

设计一种基于人工智能技术的机器人运动控制系统,确保机器人更好地理解人类的意图,并提供更加人性化的服务。该系统通过运动数据采集与传输组件连接机器人的轴电机,采集机器人当前运动数据后,将其传输到控制器组件内,控制器组件依托X86架构工控机,使用PIC总线将采集到的机器人当前运动数据发送到基于人工智能技术的机器人运动路径规划模块内。该模块运用人工智能技术中的A*算法获取机器人轨迹路径规划结果后,依据该路径规划结果,将人工智能技术中的神经网络和模糊B样条基函数相结合,建立模糊B样条基函数神经网络控制器。该控制器输出机器人运动控制指令,并发送给伺服驱动器组件,伺服驱动器负责驱动机器人轴电机,控制机器人运动。实验结果表明:所设计系统具备较强的机器人路径规划能力,可在复杂路径情况下实现机器人运动控制,且控制精度和控制阶跃响应能力均较强。

基于改进PSO优化的RBF火灾预测系统

针对系统预测火灾状态不准确,导致火情变大造成人民群众生命和财产损失的问题,本文提出了一种基于改进粒子群优化的径向基神经网络多传感器数据融合算法的火灾状态预测系统。以温度、烟雾浓度、一氧化碳浓度为输入,以无火、阴燃火、明火的概率为输出,为了避免输出产生偏差,模糊推理系统对神经网络系统的输出做补偿。由于粒子群算法存在容易陷入局部最优的缺陷,采用一种非线性动态自适应惯性权重的改进粒子群优化算法(IPSO)。仿真实验表明,改进后的系统,以明火为例的平均绝对百分比误差达到0.169、均方根误差达到0.0021、平均绝对误差达到0.031。