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。

基于径向基函数神经网络的交通信号控制优化

文章采用迭代训练的学习算法,结合径向基函数构建神经网络,通过构建的网络能够得到交通信号控制策略,为交叉路口的交通问题提供更加高效的交通信号控制方案。文章的神经网络与传统的交通控制策略相比,降低了车辆的平均延误时间。针对移动交通流检测信息的特点,提出了一种基于移动交通流检测信息的路况概率神经网络判别方法,通过分析路况的相关因素,同时考虑信号控制交叉口红灯对车辆行程时间延误的影响,通过结合径向基函数算法改进的概率神经网络,根据实地调查的数据,得出预测更加准确的神经网络。预测的结果通过对比,降低了交叉路口车辆的平均延误时间,减少了交通安全隐患。

机车牵引齿轮系统混沌运动的径向基函数神经网络控制

针对HXD2牵引齿轮系统运行性能监控需求,建立了单自由度牵引齿轮系统动力学模型并结合分岔图、相图和Poincaré截面图分别分析了阻尼系数、啮合刚度的变化对系统周期性响应的影响。基于径向基函数神经网络设计了混沌控制器,同时控制器的参数用量子粒子群算法进行优化,并通过对阻尼系数施加微幅扰动,将系统混沌运动控制为稳定的周期运动。

基于RBF神经网络补偿的ROV运动控制算法

针对作业型遥控水下航行器(ROV)在模型参数不确定和外部环境干扰下的运动控制问题,提出了一种基于径向基函数(RBF)神经网络的自适应双环滑模控制策略。首先,对于ROV外环位置控制采用改进趋近律的积分滑模控制方法,对于ROV内环速度控制采用指数趋近律的积分滑模控制方法;其次,为进一步改善滑模控制的抖振问题,引入双曲正切函数作为滑模切换项;然后,利用RBF神经网络控制技术对ROV模型的不确定参数和外部扰动进行估计与补偿;最后,利用李雅普诺夫稳定性理论证明了整个闭环系统的稳定性,并对作业型ROV的运动控制进行了数值仿真。仿真结果验证了所设计的控制器可以实现ROV航行的精确控制,并能够有效抑制模型不确定参数和外部扰动对ROV运动的影响。

基于RBF神经网络整定PID的电液比例系统位置控制研究

针对凿岩机械臂的电液比例系统位置控制精度问题,提出了一种基于径向基函数(RBF)神经网络整定PID的电液比例系统位置控制方法。首先,在AMESim中搭建了阀控非对称液压缸的电液比例系统简化模型,设置了各个模块的参数;然后,利用MATLAB/Simulink搭建了系统闭环控制模型,通过不断更新RBF网络模型并修正PID参数,实现了基于RBF神经网络整定PID的电液比例系统位置控制目的;结合AMESim搭建的电液比例系统模型和Simulink下搭建的控制器进行了联合仿真;最后,基于凿岩台车机械臂实验平台,进行了电液比例系统位置控制实验。仿真结果表明:在受到外部干扰的情况下,RBF神经网络整定PID控制系统能够在0.3 s内控制活塞杆重新运行至目标位置,平均响应时间为1.5 s,位置精度误差不超过5 mm。实验结果表明:与常规PID控制方法相比,RBF神经网络整定PID控制活塞杆位置精度误差降低了75%,位置精度误差在工程实际要求的10 mm范围以内,因此,RBF神经网络整定PID算法可以有效提高电液比例系统的位置控制精度,满足凿岩机械臂实际工作中对电液比例系统位置精度的控制要求。

基于RBF神经网络的电子节气门滑模控制器

为解决车辆电子节气门在复杂环境下发生的模型参数不确定和外部扰动问题,根据电子节气门的非线性特性,选择了基于RBF神经网络的滑模控制器。通过RBF神经网络对节气门的非线性部分进行逼近,并采用Lyapunov方法设计系统的自适应律。同时系统通过对扩张状态观测器的设计,达到对阀板角速度变化的准确观测。仿真结果表明,在复杂环境下,该控制器可以对不精确的节气门模型,保持较快的响应速度和对期望开度的准确跟踪,神经网络的自学习能力提高了节气门系统的鲁棒性。

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。

基于模糊RBF神经网络PID的AUV姿态控制研究

针对自主水下航行器(AUV)高精度、强鲁棒性的运动姿态控制需求,提出了一种径向基函数(RBF)神经网络结合模糊PID控制的水下机器人运动控制器;采用RBF神经网络对模糊PID控制器参数进行优化,有效解决了模糊PID控制过度依赖经验,难以应对水下复杂工况的问题。仿真结果表明:模糊RBF神经网络PID控制器在AUV姿态调节中表现出较传统模糊PID控制器更好的响应速度和抗干扰能力,有效改善了AUV姿态控制性能;经实际应用验证,控制器在复杂工况下可以快速收敛至期望姿态并维持稳定。

基于RBF神经网络的双臂手术机器人自适应导纳控制

针对双臂机器人在辅助头颈部手术拉开软组织过程中环境刚度变化而导致的力跟踪误差较大问题,提出一种基于径向基函数(RBF)神经网络的自适应导纳控制策略,减小力跟踪误差,提升系统的响应速度。通过在手术过程中利用RBF神经网络在线调整导纳参数,提高机械臂对不同接触条件和操作要求的适应性,实现快速精确的力跟踪。仿真实验将基于RBF神经网络的自适应导纳控制策略引入双臂力同步导纳控制系统并与传统定参数导纳控制对比,证明其在接触环境参数变化情况下的接触力控制效果。结果表明,基于RBF神经网络的自适应导纳控制策略可以有效提升双臂手术机器人力跟踪精度、响应速度以及抗干扰能力。

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MPC和RBF神经网络的火箭弹姿态调整策略

火箭弹的精准飞行控制目前是国内外军事领域研究中的一个热点话题。针对火箭弹如何能够更好的打击实现精确打击这一问题,提出一种基于模型预测控制和径向基函数神经网络相结合的火箭弹姿态调整策略。该策略利用模型预测控制算法预测得到姿态调整所需的最优的电机修正值,然后利用径向基函数神经网络算法实现对电机的快速调节响应,以此达到调整姿态修正弹道的目的。仿真结果表明,舵控系统的调整过程误差小、反应快、跟踪效果良好,整体策略具有优良的控制性能。使火箭弹飞行姿态控制系统的鲁棒性和快速性得到了很大的提高。很好的将模型预测算法与径向基函数神经网络算法的优点结合到了一起。

基于改进三元模型的波纹管型气动软体驱动器神经网络滑模控制

针对一款波纹管型气动软体驱动器,提出了一种基于改进三元模型的滑模控制方法,并使用RBF神经网络补偿扰动以实现该型驱动器在竖直方向上对期望轨迹的跟踪控制。首先搭建波纹管型气动软体驱动器实验平台,测试并分析该驱动器的动态特性,基于上述动态特性提出波纹管型气动软体驱动器的改进三元模型;然后利用采集到的实验数据,基于最小二乘算法对其进行参数辨识,从而获得所提模型的参数;进而结合改进三元模型设计滑模控制器,使用RBF神经网络对集总扰动进行补偿,并利用Lyapunov方法分析系统的稳定性;最后通过一系列实验验证了所提方法的有效性。

输入饱和约束下自适应RBF神经网络非线性反馈船舶航向控制

针对输入饱和约束下外界扰动和模型不确定情况下的船舶航向跟踪控制问题,提出一种自适应径向基函数(radial basis function,RBF)神经网络非线性反馈航向跟踪控制方法。利用自适应RBF神经网络对外界扰动和模型不确定项进行估计,并利用最小学习参数法减少计算量;将一个具有误差增益反相关特征的非线性函数嵌入控制律中,设计一种非线性反馈控制方法;利用李雅普诺夫理论证明所有信号在考虑外界扰动和模型不确定的船舶航向跟踪控制系统中都是一致有界的。通过仿真和比较,验证了所设计控制方法的有效性。所做研究可为输入饱和约束下船舶航向跟踪控制提供参考,具有工程实际意义。

基于神经网络的自主水下航行器滑模控制方法

针对传统滑模控制在自主水下航行器(AUV)的控制过程中存在抖振以及执行机构饱和对其控制性能的不利影响,提出一种基于神经网络的滑模控制方法。采用径向基函数神经网络(RBFNN)和自适应观测器对运动模型中的不确定项和未知外界干扰进行在线估计,削弱滑模抖振;采用RBFNN对控制输入受限前后的差值进行逼近,克服执行机构饱和引起的控制振荡。仿真结果表明,该控制方法相较于传统滑模控制具有更好的适应性和控制精度。

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RBF神经网络的固定时间滑模控制策略研究

为了实现对机械臂末端的高精度跟踪控制,本文提出了一种基于径向基函数(Radial basis function,RBF)神经网络的固定时间滑模跟踪控制策略。首先,建立机械臂的动力学模型。然后,将RBF神经网络和固定时间滑模面结合,设计RBF固定时间滑模控制器,以实现对机械臂末端轨迹的高精度控制;并利用Lyapunov稳定性理论对所设计控制器的理论可行性进行了证明。最后,以二关节机械臂为研究对象进行仿真实验。结果表明:RBF神经网络的固定时间滑模跟踪控制策略能估计模型中的不确定参数,有效地改善了控制效果;并使控制器具有固定时间收敛特性,提高了机械臂的收敛速度。

径向基函数(RBF)神经网络的一种极大熵学习算法

RBF神经网络中心向量的确定是整个网络学习的关键 ,该文基于信息论中的极大熵原理构造了训练中心向量的极大熵聚类算法 ,由此给出了网络的极大熵学习算法 .文中最后分别用一个时间序列预测和系统辨识问题验证了该学习算法的有效性 ,同 RBF网络和多层感知机的误差回传算法相比 ,该算法不仅在学习精度和泛化推广能力上有一定程度的提高 ,而且学习时间有显著的降低 .

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 。