自动驾驶电动车辆基于参数预测的径向基函数神经网络自适应控制

针对具有不确定性的自动驾驶电动车辆的运动控制问题,提出了一种基于参数预测的径向基函数(RBF)神经网络自适应协调控制方案。首先,考虑系统参数的不确定性及外部干扰的影响,利用预瞄方法建立可表征车辆循迹跟车行为的动力学模型;其次,采用RBF神经网络补偿器对系统不确定性进行自适应补偿,设计车辆横纵向运动的广义协调控制律;之后,考虑前车车速及道路曲率影响,以车辆在循迹跟车控制过程中的能耗及平均冲击度最小为优化目标,利用粒子群优化(PSO)算法对协调控制律中的增益参数K进行滚动优化,并最终得到一系列优化后的样本数据;在此基础上,设计、训练一个反向传播(BP)神经网络,实现对广义协调控制律中增益参数K的实时预测,以保证车辆的经济性及乘坐舒适性。仿真结果证实了所提控制方案的有效性。

基于径向基函数神经网络算法的高频转阀阀芯稳定性

针对伺服电机驱动高频转阀时受液动力矩变化影响造成高频输出精度下降的问题,以液压马达作为动力源,提出一种基于径向基函数神经网络算法的转阀阀芯转速控制策略。首先,搭建高频转阀阀芯转速控制系统的数学模型;其次根据数学模型在MATLAB/Simulink平台搭建仿真模型,对不同算法作用下阀芯转速控制特性进行仿真分析;最后建立高频转阀转速控制系统实验台,对不同算法作用下阀芯转速控制特性进行实验研究和理论验证。结果表明:与常规PID控制方法相比,基于径向基函数神经网络的高频转阀转速控制策略转速控制系统阶跃响应所需调整时间最少为0.16 s,超调量小;三角波与正弦波转速跟踪误差均值下降最大值分别为46.51%、53.69%;6 MPa、10 MPa下,转速稳态误差均值分别下降34.92%、38.26%。径向基函数神经网络算法有效提高了高频转阀阀芯转速控制精度。

基于径向基神经网络的尾门优化研究

某一新车尾门悬挂重达35 kg备胎,需满足下垂性能指标及轻量化需求,针对传统人工迭代优化周期长、难度大的问题,提出一种基于径向基神经网络(RBF)的尾门优化方法,首先将尾门结构参数和料厚定义为可优化设计变量,然后通过试验设计(DOE)生成不同设计变量与车门下垂性能对应关系的多组数据,再基于RBF建立结构参数和性能的非线性映射,最后基于Isight的遗传算法对尾门参数进行优化。结果表明,优化方案尾门满足下垂下坠性能,并且减重1.0 kg(3.7%)。该研究对尾门优化设计有较大的工程参考价值。

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。

基于递归径向基神经网络滑模的多功能柔性多状态开关控制方法

近年来,新能源和电动汽车的渗透比例逐渐增高,给配电网的潮流优化和电能质量治理带来严峻挑战。针对分布式电源的随机性和间歇性问题,设计一种基于递归径向基神经网络(RRBFNN)滑模的多功能柔性多状态开关(FMS)控制方法,在实现功率交互和多端单相接地故障柔性消弧的同时,增强FMS的抗扰能力。首先考虑扰动的影响,设计一种改进RRBFNN滑模控制方法,以克服传统滑模控制固有的抖振现象和对系统精确数学模型的依赖,并减小并网暂态冲击;柔性消弧控制采用微积分型滑模面,理论推导出0轴电压控制律,提高故障电流抑制率;进一步通过李雅普诺夫定理证明所设计方法的稳定性和收敛性。最后,在Matlab/Simulink中搭建三端口FMS及其控制系统的仿真模型,通过对比仿真验证了所提策略的可行性和有效性。

基于径向基神经网络预测日参考作物需水量

为了利用有限的气象数据准确预测蓄水坑灌果园的日参考作物需水量,利用蓄水坑灌试验基地逐日温度与湿度数据,构建了基于径向基神经网络的ET0预测模型,并将其模拟结果及Hargreaves、Priestley-Taylor两种常用ET0计算模型的计算结果同FAO-56 Penman-Monteith(FAO56-PM)公式计算的标准值进行对比。结果表明:径向基神经网络预测模型的模拟结果与标准方法FAO56-PM公式的计算结果最接近,而Hargreaves、Priestley-Taylor两个常用计算模型的计算结果比标准值偏大,在实际应用中应对其进行校正。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于粗糙径向基神经网络的刮板输送机负载预测方法研究

刮板输送机负载的准确预测对实现采煤机和刮板输送机的协同控制至关重要。刮板输送机短期负载受工作面环境、冲击载荷等不确定性因素的影响,具有很强的非线性和非平稳性,难以准确预测。针对此问题,本研究提出一种基于粗糙径向基神经网络的刮板输送机负载预测方法。该方法首先建立刮板输送机电流去噪模型,得到反映综采工作面刮板输送机真实负载的电流分量;然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题,引入表征负载变化波动的上下输入粗糙神经元,提出一种粗糙径向基神经网络(RRBFNN)模型;最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型,并进行仿真实验验证。结果表明:本研究提出的RRBFNN刮板输送机短期负载预测模型,比传统RBF模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)分别降低26.22%,25.39%和14.72%,该方法能有效提高刮板输送机负载的预测精度。

基于径向基函数神经网络的大学生体测成绩预测研究

大学生体质健康测试成绩是评价学生体质健康的重要标准,科学有效地对体测成绩进行预测分析是其他研究的基础。该研究运用径向基函数神经网络对某大学XX学院学生2022年体质健康测试数据进行预测和分析,并与BP神经网络、支持向量机等方法分类预测结果进行对比。试验结果表明,该预测模型具有较高的预测准确率和较好的泛化性能,为后续体育教师开展教学,相关学者开展研究提供了科学有效的分析方法。

基于权重自适应更新径向基函数神经网络的水下游动机械臂镇定控制

水下游动机械臂(underwater swimming manipulator,USM)是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点,其动力学模型难以精确建立。因此,实现USM的高精度镇定控制存在挑战。针对这一问题,本文基于反馈线性化和自适应径向基函数神经网络(radial basis function neural network,RBFNN),设计了一种动力学控制方案以实现USM的镇定控制。首先,介绍了USM平台结构,基于Lagrange方程给出了USM的动力学模型,并推导了USM的矢量推力系统模型。然后,设计了基于反馈线性化和RBFNN的动力学控制器,并通过反步法自适应更新RBFNN的权重。其中,权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动,从而对动力学控制器进行补偿。此外,为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入,给出了推力分配策略。最后,进行了湖泊实验,分别对USM的I构型和C构型镇定控制,文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°,验证了所提出的USM六自由度镇定控制器的有效性。

基于多源信息融合的RBF神经网络室内可见光定位算法

针对基于接收信号强度(RSS)的定位技术易受环境干扰而导致定位精度不高和稳定性较差的问题,提出了一种基于多源信息融合的径向基函数(RBF)神经网络室内可见光定位算法。通过将图像的颜色矩特征与RSS矩特征融合,构建指纹库,并采用RBF神经网络进行预测,实现了图像与RSS之间的优势互补,最后对定位算法进行了验证。实验结果表明,经过优化的多源信息融合定位算法较单一RSS定位算法的定位精度提高了9.4%。

基于自适应扰动观测器的旋转弹神经网络过载驾驶仪设计

旋转弹在飞行过程中受多种干扰的影响,包括跨域飞行气动参数剧烈变化引起的模型不确定性以及飞行过程中受到的外部扰动。为了解决高动态飞行环境中双通道旋转弹的鲁棒控制问题,基于轨迹线性化控制方法,设计伪逆反馈控制器。采用径向基函数神经网络,设计自适应前馈补偿控制器,有效实现对模型不确定性的精确逼近。将神经网络逼近误差和外部扰动处理为总扰动,并基于固定时间稳定理论设计一种自适应扰动观测器,实现对总扰动的精确估计及补偿。通过Lyapunov理论,严格证明了闭环系统的最终一致有界性。通过数值仿真验证了所设计方法的有效性。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于改进的径向基神经网络模型的水库异重流泥沙淤积量模拟

文章结合改进的径向基神经网络模型对石佛寺水库异重流泥沙淤积量进行模拟,并结合水库泥沙淤积量测定值对模型进行检验。结果表明:相比于传统模型,改进模型对模型变量进行优化调整,对于水库异重流泥沙淤积量预测的精度有明显改善。研究成果对于水库泥沙淤积的趋势预测方法具有参考价值。

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。

径向基函数神经网络在烟气含氧量测量中的应用

针对目前火力发电厂烟气含氧量测量仪使用过程中存在的一些问题,提出一种基于径向基函数神经网络的烟气含氧量软测量模型。验证结果表明:该软测量模型具有较高的精度和动态响应速度,并且预测值和实测值非常相吻合。与BP神经网络相比,在收敛速度和预测精度方面,径向基函数神经网络要优于BP神经网络。

基于改进SSA结合模糊RBF神经网络的悬臂梁振动主动控制

随着航空航天事业的发展,为了节省燃料,同时提高航天器速度,航天器采用更轻的材料来减少质量。然而,此举也引入了柔性振动,灵活的振动增加了姿态控制的时间,导致姿态精度控制不尽如人意。因此,有效抑制柔性振动以实现高精度姿态控制非常重要。论文以柔性压电悬臂梁作被控对象,并利用压电薄膜(Polyvinylidene Fluoride,PVDF)作传感器和致动器,分析其振动的控制问题。基于PID和模糊理论的局限性,结合模糊控制器能模仿专家经验和径向基神经网络(Radial Basis Function Network,RBFNN)善于学习的优点,设计了模糊径向基(Fuzzy Radial Basis Function,FRBF)神经网络控制器来抑制悬臂梁的振动,并采用混沌映射的种群初始化策略、疯狂算子的领导者位置更新策略、精英保留及动态惯性权重的追随者位置更新策略改进的樽海鞘群算法(Salp Swarm Algorithm,SSA)来优化模糊神经网络权值。将改进后的控制方法在Matlab软件环境下进行了数值仿真,仿真结果表明,应用改进的模糊径向基神经网络控制器可以有效地提升主动控制的振动效果。

基于神经网络预测方法的智能化高精度大型钢管高速托辊机构研究

大型钢管高速托辊机构在工作过程中受管节点偏心、滑动摩擦等不确定因素的影响,会使得主管转动距离与胶轮转动距离存在一定偏差。这种偏差给实际工程施工带来一定困难。对此,采用商用软件ANSYS中的Transient Structural模块建立基于某大型钢管高速托辊机构的有限元模型,通过仿真计算研究转动过程中主管和胶轮的运动特性,获得对应的旋转角度、旋转距离以及距离偏差,采用径向基神经网络方法对主管和胶轮旋转的偏差进行预测对比分析。研究结果表明,所建立的径向基神经网络方法能够很好地预测主管和胶轮旋转的转动距离偏差,能够为大型钢管高速托辊机构上主管与胶轮距离偏差的计算提供一定的参考。

基于径向基函数神经网络的入侵检测系统设计与研究

本研究设计并实现了一个基于径向基函数神经网络的计算机网络入侵检测系统。通过提取网络流量特征并利用径向基函数(RBF)神经网络的非线性映射与自适应学习能力,系统能够高效检测已知与未知入侵行为。实验结果表明,该系统在不同网络负载下表现稳定,检测准确率较高,尤其在自适应学习后的性能显著提升。

基于径向基神经网络的水电机组运行故障预警方法研究

水电机组在实际工作中所采集到的数据具有多维、非线性、时变等特点,容易导致预警精度低。为此进行基于径向基神经网络的水电机组运行故障预警方法的研究。首先,对水电机组运行信号进行分解,以便从复杂的信号中提取关键信息。然后,从分解后的信号中识别出能够反映机组运行状态的特征量,用于计算异常状态指数,量化机组的健康状态与异常状态。最后,建立基于径向基神经网络的故障预警模型,利用异常状态指标预测机组未来的运行状态,并在机组出现故障前提供及时的预警。实验结果表明:与基于温度监测的预警方法和基于支持向量机的预警方法相比,基于径向基神经网络的水电机组运行故障预警方法在100次测试中,能够准确地识别出水电机组的异常状态,并给出及时的预警,实际应用价值更高。