基于径向基过程神经元网络的锂电池SOC算法

提出基于径向基过程神经元网络算法计算锂电池的SOC,该方法应用的是梯度下降模式。介绍径向基过程神经元网络的推导,将电压、电流和温度的时间动态数据序列作为网络的输入,以实测采样数据作为样本,组建网络模型,并与安时积分法进行对比实验。

径向基过程神经元网络及其应用研究

提出了一种径向基过程神经元网络 ,该网络模型为 3层前向结构 ,由输入层、径向基过程神经元隐层和输出层组成 .输入层到隐层的变换是非线性的 ,隐层到输出层的变换是线性的 .隐层神经元完成对过程式输入信息的模式匹配和对时间的聚合运算 ,输出层对输入模式作出响应 .在输入空间中引入函数正交基 ,将输入函数在正交基下展开 ,利用基函数的正交性 ,简化聚合运算过程 .给出了相应的学习算法 。

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。

基于基函数展开的双隐层过程神经元网络及其应用

提出一类基于基函数展开的双隐层过程神经元网络模型.过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算,非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力.在输入空间中引入一组函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,利用基函数的正交性简化过程神经元聚合运算.以旋转机械故障诊断和油藏开发过程采收率的模拟为例,验证了模型和算法的有效性.

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。

基于径向基函数神经网络的热工过程模型辨识

为了准确反映热工过程动态特性,实现热工过程整体优化控制,提出了一类新的径向基函数神经网络(RBF-NN)的建模方法:采用熵方法和竞争学习算法,结合非线性自回归滑动平均(NARMA)模型的输入/输出结构实现RBF-NN的优化,辨识RBF-NN结构,并用最小二乘算法(LS)确定权向量,实现了典型的非线性热工过程建模。通过两个实例验证:基于NARMA结构的RBF-NN建模,具有较高的辨识精度和较少的隐层节点。

基于遗传算法的径向基神经网络学习算法

文章对径向基神经元网络（Radial Basis Function Neural Networks，以下简称为RBFNN）结构进行了分析，提出了应用遗传算法训练径向基网络的算法，并将该算法训练的网络用于10个数字的识别，相对于最近邻聚类学习算法和BP网络来说，识别效果和精度均有提高。

基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用

针对复杂时间信号动态模式分类问题,提出了一种基于局部核函数与全局核函数组合的径向基过程神经网络(RBFPNN)模型。考虑时间信号过程特征的多样性和复杂性,以及核函数对信号分布形态特征的局部与全局表征能力,通过将具有全局性质的多项式核函数与具有局部性质的高斯核函数进行线性叠加,构成组合核函数,以此建立一种新的径向基过程神经网络,从信息模型上改善RBFPNN对动态样本复杂过程特征的抽取和记忆性质,提高网络对时间信号特征的辨识能力。分析了基于RBFPNN的性质,建立了基于混沌遗传算法CGA的模型参数优化算法。以基于示功图的往复运动机械工作状态诊断为例,实际资料处理结果验证了模型和算法的有效性。

基于径向基过程神经网络的油田措施效果预测

由于影响油井产油增量的因素是十分复杂的非线性关系,传统的措施效果预测方法难以反映时间累积效应产生的作用,所以论文提出了基于径向基过程神经网络的油田措施效果预测方法,并用改进的遗传算法对网络模型进行优化,应用到实际油井压裂措施后增油量的预测中。测试结果表明,基于径向基过程神经网络的油田措施效果预测方法有很高的精确度,是一种可行的油田措施效果预测方法。

径向基函数(RBF)网络的研究及实现

概述人工神经元网络的分类 ,详细分析了RBF网络的结构特点 ,给出了最近邻聚类学习算法的具体过程 ,并利用MATLAB编程语言将此算法编制成标准函数ZJWNNC。该算法是一种在线自适应聚类学习算法 ,不需要事先确定隐含层单元的个数。

量子遗传算法优化RBF神经网络及其在热工辨识中的应用

量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。文中针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络进行非线性系统辨识。其特点是通过这种新的量子遗传算法,实现对RBF神经网络权值、宽度和中心位置等有关参数的估计。其速度快、精度高。通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明:该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用该方法设计了一种通用的热工对象模型辨识神经网络算法,编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨识算法。

一种深层过程神经网络及其在信号分类中的应用

针对时变信号小样本集建模分类问题,提出一种深层多尺度径向基过程神经网络(DLMS-RBFPNN)。该模型由时变信号输入层、多尺度径向基核变换层、全连接层和感知机分类器构成。兼顾时变信号的频谱特征和分布形态的多样性,基于径向基过程神经网络,通过将不同宽度参数的Gauss核函数进行线性叠加,构成多尺度核,完成不同尺度上对过程信号形态特征的提取、辨识和相似性度量。通过在径向基核函数层之上叠加全连接层和分类器,实现时变信号不同尺度特征的融合和分类。DLMS-RBFPNN具有较少的模型参数,适用于小样本集建模,在机制上可提高对时变信号过程细节特征和趋势特征的辨识及记忆能力。在分析DLMS-RBFPNN性质的基础上,建立一种基于动态聚类算法的核中心函数确定方法以及基于PSO的模型参数优化求解算法。以旋转机械基于示功图信号的故障诊断为例进行实验,结果验证了模型和算法的有效性。

RBF网络在硫化矿浮选过程建模中的应用研究

针对西林铅锌矿的工业生产流程开发了“西林铅锌矿浮选过程智能咨询系统”和“西林铅锌矿浮选技术指标智能预测系统”。咨询系统提供的药剂制度能够稳定浮选过程 ,提高作业回收率 ,具有一定的实用价值 ,可用于为浮选操作人员就地提供技术咨询和新员工的培训。预测系统的预测精度较高 ,具有一定的实用价值。该系统的成功开发为工业浮选过程的优化控制奠定了基础。

基于BA-RBFNN控制图模式识别的气化过程参数失稳监控模型

为识别固体燃料气化过程参数出现的异常模式(失稳),构建一种基于蜜蜂算法-径向基函数神经网络(BA-RBFNN)控制图模式识别的气化过程参数失稳监控模型,对气化过程参数进行监控。该监控模型主要包括特征描述、特征选择、分类器和训练方法4个模块。选择形状特征和统计特征对气化过程参数进行描述,运用关联规则算法(AR)选择最佳特征集合,选择径向基函数神经网络(RBFNN)作为分类器,采用蜜蜂算法(BA)作为模型的训练方法。为检测模型性能,用模拟数据和气化炉现场数据分别对模型进行测试,并与传统方法对比。结果表明,该模型对气化过程参数出现的异常模式具有更好的识别监控效果。

连续退火机组SF段带钢跑偏混合动态监测模型

针对宝钢1 220 mm连续退火机组均热炉(SF)段带钢经常发生跑偏或打滑的问题,提出了一个基于最小二乘支持向量机(LSSVM)的带钢跑偏分类模型。使用改进粒子群算法对其模型参数进行寻优,再将LSSVM分类模型与主元分析(PCA)方法相结合;并基于动态时间窗思想,提出了一个SF段带钢跑偏的混合动态监测模型,开发了SF段带钢跑偏监测系统。基于实际生产数据的仿真结果表明,所提出的LSSVM模型具有较高的分类精度;相较于单一方法,混合监测模型能够更加准确地对带钢跑偏进行分析和预警。

面向制造过程数据的两阶段无监督特征选择方法

现代化制造车间无时无刻不在产生大量数据,其中绝大部分以无标签结构化原始数据的形式存储在现代化制造企业的工业大数据平台中。这些制造数据一方面具有很大的潜在价值,另一方面因为其具有高噪声、高冗余性的特点,难以直接分析与利用。因此,针对制造过程原始数据的特点,以去除制造数据冗余性、挖掘原始数据局部结构为目的,提出一种两阶段无监督特征选择方法。该方法的第一阶段采用遗传算法产生的原始数据的低维子集作为径向基神经网络(Radial basis fuctionneural network, RBFNN)的输入,利用RBFNN复现原始数据的全部维度,并以降维率及复现精度作为遗传算法(Geneticalgorithm, GA)的适应度函数,通过GA多次迭代学习高维特征的低维表示,删除原始数据集中的冗余特征与噪声特征。第二阶段采用拉普拉斯特征得分(Laplacian score, LS)逐维评价剩余特征对于反映数据局部几何结构的作用,挖掘对改善分类性能更有效的特征。通过与LS等无监督特征选择算法对比,验证了提出的两阶段无监督特征选择方法能够有效降低制造数据的冗余性,并提高数据的分类性能。