模糊子空间聚类的径向基函数神经网络建模

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降。针对此缺陷,根据模糊子空间聚类(fuzzy subspace clustering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN)。与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间。当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能。模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性。

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。

一种基于深度神经网络的多阶段PUF抗建模能力评估方法

针对现有评估方法均无法全面评估物理不可克隆函数(PUF)抗建模能力的问题,定义PUF面临的3级建模威胁模型,分别阐明3类攻击的目的、对手的知识能力、攻击策略和攻击模式。基于此,设计一种基于深度神经网络的PUF抗建模能力评估方法,使用前馈神经网络建模攻击和侧信道建模攻击作为评估工具,分3个阶段依次评估目标PUF抵御机器学习建模攻击、可靠性侧信道攻击和功耗/电磁侧信道攻击的能力,解决传统方法无法评估PUF抗侧信道建模能力的问题。评估结果表明,被测PUF中仅有少部分拥有抗机器学习建模和抗可靠性建模能力,但均不具备抗功耗侧信道建模能力。

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。

基于径向基函数神经网络算法的汽轮发电机转子绕组匝间短路故障诊断

转子绕组匝间短路是汽轮发电机的主要故障之一,对该故障的既有诊断方法仍有不足。在分析径向基函数神经网络基础上,提出一种基于该神经网络的汽轮发电机转子绕组匝间短路故障诊断方法。详细介绍了该方法的故障诊断流程,并对其进行了仿真验证。研究表明,该方法精度高且收敛速度快,可有效诊断汽轮发电机转子绕组匝间短路故障。

基于神经网络和多元统计分析的动态预测建模分析

在动态预测建模分析中,前向神经网络是最常用和最成功的方法。本文在对现有的方法或模型的机理、适用条件、优缺点进行比较分析的基础上,从多个角度对时间神经网络与横断面数据进行统计分析,并在此基础上,进一步探讨了网络结构的确定问题。一、神经网络BP神经网络是一种应用最广泛、基本思想也最直接的一种神经网络,是由三个层次或更多个层次组成的分层神经网络。BP神经网络在模式识别等方面的应用很多[1],它由许多神经元相互连通而成,每一层神经元间以其权重的大小来表示其连通强度,本文将重点就这一类神经网络应用于函数拟合与预报中进行分析。如图1所示为BP网络的拓扑结构模型图。

云模型优化径向基函数神经网络算法研究

径向基函数(RBF)神经网络广泛用于各类医学预测模型中,针对RBF神经网络隐含层高斯径向基函数的参数确定困难,影响癌症预后模型的因素具有多样性和模糊性等问题。利用云模型优化RBF神经网络算法,通过高维云变换确定RBF隐含层神经元,优化RBF神经网络结构。用来自美国国家癌症研究所监测、流行病学和最终结果(SEER)数据库的4771例食管鳞状细胞癌患者数据建模仿真与传统的仿真对比,证明该模型预测生存期的C-index为0.705,远高于肿瘤等级、列线图和RBF神经网络(0.598、0.627和0.632),能更好更准确地对食管鳞状细胞癌患者进行预后预测。

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。

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。

上海生活垃圾理化性质演变与径向基函数神经网络模型预测:兼论垃圾分类的影响

生活垃圾受到社会经济因素驱动,其理化性质不断变化,并影响垃圾收运处理设施的建设规模和运行参数。大多城市缺少持续数十年的监测统计资料,国内外文献较少报道垃圾理化性质的历史演变及预测研究。在回顾1990—2018年上海生活垃圾理化性质的长时间序列数据基础上,建立了灰色预测与径向基函数(BRF)神经网络模型,预测上海2019—2030年的生活垃圾理化性质,并与国内外30个城市比较。结果表明:(1)近30年来上海生活垃圾厨余类占比(基于干基总固体质量计算)从82.72%降低至54.78%,纸类和橡塑类占比上升;容重和含水率呈下降趋势,而低位发热量则表现为明显上升趋势。(2)人均国内生产总值(GDP)是关键影响因素,与厨余类占比呈负相关性,而与纸类和橡塑类占比呈正相关性。(3)在垃圾不分类情景下,上海2019—2030年的厨余类占比将从52.74%下降至44.24%,纸类和橡塑类占比呈上升趋势。在垃圾分类情景下,纸类和橡塑类占比将分别上升至37.20%和44.67%。此外,预测结果与基于上海和国内外城市混合数据的预测值具有较好的一致性。研究结果对全国新一轮生活垃圾的分类、收运、处理处置规划具有参考价值。

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。