广义径向基函数神经网络在热误差建模中的应用

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法。

基于径向基函数广义回归网络混合模型的园区短时热负荷预测

冷、热、电三联供机组作为一种发展迅速的分布式能源在提高区域多元能源综合利用效率方面表现优越,其通过对热能的阶梯式利用实现高效供能。在用能高峰时段,开启冷、热、电三联供机组,减轻了用能单位对市电的依赖,降低了用能成本。目前,用能单位缺乏历史用能数据积累,小样本学习无法准确预测用能需求,无法形成基于预测结果的冷、热、电三联供机组的优化运行策略。为此提出了一种基于径向基函数广义回归网络混合模型的短时热负荷预测方法,该方法可在小样本历史数据的情况下,准确预测下一时刻的热负荷需求。试验结果验证了该方法的有效性。

基于广义生长-剪枝径向基函数神经网络的谐波源建模

采用广义生长-剪枝RBF神经网络建立稳态频域的谐波源模型。在该模型中,各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过一种新颖的广义生长?剪枝RBF网络进行建模。该网络的学习算法是串行的,可以进行动态建模。算例计算表明,该模型具有训练时间少、精度高、可动态建模等优点。

基于广义RBF神经网络的网络安全态势预测方法

针对网络态势感知中的预测精度问题,提出了基于广义径向基函数(RBF)神经网络的网络安全态势预测方法。该方法利用K-means聚类算法确定RBF的数据中心和扩展函数,并采用最小均方算法调整权值,得出态势值前后之间的非线性映射关系,并进行态势预测。仿真试验表明,该方法能较准确获得态势预测结果,提高网络安全的主动安全防护。

基于纹理特征和GRBF网络的医学图像分割

目的:研究一种新的图像分割算法,以获得更好的医学图像的分割结果。方法:采用基于纹理特征和广义径向基函数(Generalized Radial Basis Function,GRBF)神经网络的图像分割方法对医学图像进行分割,根据灰度共生矩阵获得纹理特征参数,形成广义径向基函数神经网络的输入矢量,对网络进行训练和仿真测试。结果:该算法取得更为理想的图像二值化的结果,且实验发现GRBF网络的泛化能力比RBF网络更胜一筹。结论:研究了边界模糊的医学图像的纹理特征,结合GRBF神经网络,得到一种有效的医学图像分割方法。

粗糙集-RBF神经网络的青岛地铁施工风险评价模型研究

考虑地铁施工风险因素的复杂性和不确定性,从人员、环境、技术和管理4个方面建立地铁建设项目施工风险原始评价指标体系.结合粗糙集理论的属性约简功能和RBF神经网络方法的优势,建立基于粗糙集-RBF神经网络的地铁建设项目施工风险评价模型.对获取的青岛地区22个地铁施工样本数据采用等距离划分算法进行离散化处理,利用粗糙集理论将原始指标体系的27个指标因素约简至17个核心指标因素,作为RBF神经网络的输入变量.构造RBF神经网络并训练样本数据,通过测试样本来验证评价结果.通过实例数据对比表明,模型输出结果与期望值误差在6%以内,同传统的WBS-RBS-AHP评估方法等级一致,证明该模型在地铁施工风险评价中具有可行性和适用性.

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能,采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法.

基于GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测

为了准确预测纯电动客车蓄电池的荷电状态(SOC),提出了基于广义生长剪枝径向基函数(GGAP-RBF)神经网络的多参数纯电动客车蓄电池SOC预测模型。首先以蓄电池端电压、放电电流、环境温度和循环次数作为神经网络输入参数建立GGAP-RBF神经网络蓄电池SOC预测模型,然后以不同放电倍率、环境温度和循环次数的蓄电池放电试验数据作为样本对模型进行训练,并建立了蓄电池仿真模型和纯电动客车整车仿真模型,最后进行了城市道路循环行驶工况(UDDS工况)下单体蓄电池放电试验和纯电动客车40km·h-1等速行驶续驶里程试验研究。结果表明:UDDS工况下,SOC预测值与试验值的均方根误差为0.026 4,平均绝对误差为0.020 6;纯电动客车40km·h-1等速行驶工况下,SOC预测值与试验值的均方根误差为0.039 9,平均绝对误差为0.031 3;表明所建立的蓄电池SOC预测模型在各种工况下均能精确预测蓄电池SOC。

改进的GGAP—RBF算法及其在函数逼近中的应用

在 GGAP-RBF 算法的基础上,提出 RBF 神经网络的一种改进算法,结合网络中隐层神经元径向基函数的宽度自适应调整算法和重合度阈值的动态调整方法.通过函数逼近领域中的3个 Benchmark 问题,改进算法与RAN、RANEKF、MRAN、IRAN 和 GGAP-RBF(GAP-RBF)算法做比较.仿真结果表明在需要较少隐层神经元和训练时间前提下,改进算法训练的网络有较好的泛化能力.

基于GGAP-RBF的重型载货汽车持续制动匹配分级控制策略

为了有效降低长大下坡路段重型载货汽车行车制动器的使用频率和驾驶强度,基于持续制动匹配等级和广义生长剪枝径向基函数(GGAP-RBF)减速度估计模型提出持续制动匹配控制策略。首先以重型载货汽车为研究对象,基于发动机制动、排气制动和电涡流缓速器制动试验研究持续制动力随行驶车速的变化关系;然后以当前车速、车速差以及道路坡度作为输入参数,需求减速度作为输出参数,基于GGAP-RBF建立需求减速度估计模型;最后依据需求制动力与等级制动力差值最小原则选择持续制动匹配等级,同时分别进行定坡度工况下试验验证和变坡度工况下仿真研究以验证控制效果。结果表明:4.2%定坡度工况下,采用所提出的控制策略持续制动等级仅切换2次,比控制最优驾驶人切换少1次,速度变化基本一致;13 160m变坡度工况下,能够实现稳定减速,150m后达到预定车速,随后在60~62km·h^(-1)范围内变化,具有变坡度工况适应性强的特点;所提出的控制策略能够依靠持续制动匹配分级控制而有效降低行车制动器的使用频率和驾驶强度,实现车辆减速和稳定车速下坡行驶的效果。