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%。

基于径向基神经网络代理模型的贝叶斯损伤识别方法研究

提出了一种将径向基神经网络作为代理模型用于贝叶斯框架的损伤识别方法。首先采用拉丁超立方抽样技术,选取一定数量的结构输入输出样本,训练出一个径向基神经网络。然后将其用于基于马尔科夫链蒙特卡洛抽样的贝叶斯损伤识别方法。其中抽样方法采用吉布斯抽样。数值算例显示,在考虑测量误差的情况下,提出的方法能准确识别出简支梁的损伤,有效避免了损伤识别反问题的不适定性。其计算效率较传统的方法提高了数十倍,是一种很有潜力的损伤识别方法。

基于分数阶自适应神经网络的电动舵机伺服系统摩擦干扰补偿控制

摩擦干扰力矩影响电动舵机伺服系统的跟踪性能,造成位置和速度跟踪偏差,甚至可能导致伺服系统不稳定。针对摩擦力矩干扰下的电动舵机伺服系统跟踪性能差的问题,本文提出了一种分数阶自适应神经网络摩擦补偿算法(FOANN),估计并补偿摩擦干扰力矩。首先,建立基于LuGre模型的电动舵机伺服系统模型,利用径向基神经网络估计模型中的不可测状态变量。其次,设计FOANN摩擦补偿控制器,利用李雅普诺夫稳定性理论证明电动舵机闭环系统的稳定性。最后,利用仿真和实验平台,对比分析了FOANN、传统PD控制和模型自适应控制的性能。结果表明,基于本文所提出的FOANN摩擦力矩补偿控制算法,电动舵机伺服系统的位置跟踪误差和速度跟踪误差均大幅减小,FOANN算法能够有效估计并补偿摩擦力矩,降低摩擦干扰对电机舵机伺服系统的影响,提高伺服系统的动态性能。

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。

基于深度神经网络的船舶系泊受灾预报研究

为避免船舶系泊于码头时遭受恶劣海况而发生的缆绳断裂等问题,通过深度神经网络建立了系泊受灾预测模型,来快速获得系泊船舶所有系泊缆绳的受力。模型输入特征数量为11个,涵盖风、浪、流、涌、船舶吃水及船舶系泊方式等基本参数,输出特征为系泊系统中所有缆绳的受力。对模型的测试结果表明,相比于径向基神经网络,模型具有较高的预测精度,每组测试工况下的平均相对误差不超过10%。可将该模型用于在恶劣海况来临前对系泊系统的安全评估和风险分析,有助于相关人员及时采取应对措施,从而保证系泊系统的稳定性与可靠性。

基于平滑因子引入和神经网络优化的锂电池SOC估计方法

为提高锂电池荷电状态(SOC)的估计精度,提出了一种基于平滑因子引入和神经网络优化的锂电池SOC估计方法。将黄金分割优选法和模糊C均值聚类算法应用于RBF神经网络,分别用来确定最佳隐含层神经元个数和径向基中心;采用遗传算法对高斯核函数宽度及连接权值进行优化,解决了RBF神经网络结构和初始参数难以确定的问题。将滑动时间窗口内的放电容量作为平滑因子引入神经网络模型,增强了RBF网络对锂离子电池非线性特性拟合的能力。基于实验获得的锂离子电池在联邦城市行车计划(FUDS)工况下的数据,对所提出的方法进行仿真和验证,结果表明,所提方法显著提升了锂电池SOC的估计精度。

基于递归神经网络的人体下肢运动意图识别方法

采集下肢两通道的表面肌电信号和相应的关节运动信息,对原始表面肌电信号进行预处理。建立基于径向基函数神经网络的开环估计模型,以预处理后的表面肌电信号为输入,关节运动量为输出。在此基础上,归零神经网络作为一种特殊的递归神经网络被应用到开环模型中,形成一个混合的闭环预测模型。实验结果表明,所提出的闭环模型能够有效地消除开环模型的预测误差,进而能够更加准确地识别出人体的主动运动意图,为后续康复机器人的人机交互系统提供有价值的参考。

基于优化RBF神经网络在电能质量扰动分类中的应用

为保证建筑中智能电子产品安全运行,解决实际工程中电能质量扰动识别分类准确率低、抗噪性差等问题,提出一种基于优化RBF神经网络识别电能质量扰动的方法。首先,将20种电能质量扰动信号通过S变换进行时频域分析,提取出的扰动时频域特征数据划分为测试集和训练集;然后,构建径向基函数(RBF)神经网络电能质量扰动分类模型;其次,引入蜣螂优化算法(DBO)对RBF神经网络参数进行参数优化;最后,将划分好的训练集和测试集输入到优化后的神经网络中进行扰动分类。仿真及工程实验表明,提出的方法对于电能质量扰动识别准确率高,抗噪性及泛化能力强。

基于人工神经网络的极地船舶冰阻力预报方法

极地船舶冰区航行时,冰阻力的准确预报在保障船舶航行安全方面起着重要作用.近年来,机器学习在船舶方面的应用越来越广泛,其中,人工神经网络(ANN)是机器学习领域中一种常用的方法.本文的重点是设计一个用于预报极地船舶冰阻力的ANN模型.参考传统的经验和半经验公式,选择合适的输入特征参数,通过大量的船舶模型试验数据来训练神经网络,搭建径向基(RBF)神经网络模型,并选用遗传算法(GA)进行模型优化.研究表明,基于7个特征参数输入的遗传算法优化径向基(RBF-GA)神经网络模型具有良好的泛化效果,与模型试验和实船试验数据对比,平均误差在8%左右,具有较高的精度,可作为冰阻力预报工具.

基于复合神经网络重构对象的永磁同步直线电机变参数型位移速度并行控制

针对永磁同步直线伺服电机(PMSLM)传统位移控制算法中控制器系数固定带来的控制精度不足等问题,提出一种基于复合神经网络重构对象的PMSLM变参数型位移速度并行控制策略。首先,利用动子位移、线速度的误差信息设计变参数并行控制器;其次,建立含有控制对象多维信息的复合径向基神经网络观测动子位移,并得到控制对象的偏导信息;再次,基于闭环稳定条件,以周期检索的误差与控制目标的比较结果为基础,构建完整的位移速度并行控制器参数更新策略;最后,实验结果表明,该文所提控制策略能实现不同给定位移的高精度控制,且具有控制不同对象参数的泛用性。

基于特征优化和BSO-RBF神经网络的NO_(x)浓度预测模型

针对火力发电厂中燃烧系统运行工况复杂、迟延较大,导致选择性催化还原(SCR)烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出了一种基于特征优化和径向基函数(radial basis function,RBF)神经网络的预测模型。将经过特征优化后的变量作为模型的最终输入变量,并使用天牛群优化(beetle swarm optimization,BSO)算法对神经网络超参数进行寻优,建立入口NO_(x)浓度预测模型。结果表明,经过特征优化后的变量放入模型后,其预测结果要优于原始变量:经特征优化及时延处理后的模型其S_(RMSE)减少了44.5%,R^(2)增加了2.3%,经过BSO确定后的神经网络超参数使得模型精度也得到了进一步提升。

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。