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。

基于径向基组合近似模型技术的立柱结构优化设计

针对实际工程复杂优化问题,通常难以获得优化设计变量与优化目标之间的显示函数关系表达式,以SZJY-14型加工中心的立柱作为研究对象,研究了一种基于径向基组合近似模型技术的立柱结构优化设计。首先,针对径向基近似模型预测精度较低等问题,研究了一种基于多策略的径向基近似模型技术,并以改进径向基近似模型技术为基础,构建了组合近似模型技术。其次,利用有限元分析软件Abaqus对立柱三维结构进行网格划分,并对其进行静动态性能分析确定优化目标,采用灵敏度分析法确定优化设计变量,利用组合近似模型技术建立了立柱优化设计模型。最后,采用改进回溯搜索优化算法实现了立柱结构优化设计。求解结果表明,与立柱原结构相比,优化后质量减小了3.77%,最大变形量降低了5.14%,一阶频率提高了5.9%,达到了预期效果。

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。

基于径向基函数代理模型的改进协同优化方法

为了改善协同优化方法的收敛性能并提高求解效率,提出了一种基于径向基函数代理模型的改进协同优化方法。该方法采用基于光滑参数优化径向基函数代理模型,构造了协同优化方法系统级约束的近似模型,并将置信域和均匀设计方法相结合,完成近似模型的不断更新,引入粒子群优化算法完成了系统级和学科级优化问题的求解。利用数值计算和减速器设计两个典型算例对所提方法进行了验证,求解结果表明了改进协同优化方法可行且有效。

融合核函数在改进径向基代理模型中的应用

针对径向基代理模型技术在近似高维问题时预测性能较差的不足,提出一种基于融合核函数的改进径向基代理模型技术。在拉丁超立方设计抽样不均匀的情况下,通过定义一种辅助函数与距离评判标准,提出基于均匀抽样的拉丁超立方设计,并应用于代理模型的构建中;为提高模型预测精度与计算效率,考虑样本点因素,采用局部密集加点、全局均匀选点和最小距离筛选的多策略建模技术构建径向基代理模型;同时,为避免该技术在近似高维问题时可能产生的结构风险,考虑结构因素对预测精度的影响,对逆多二次和立方核函数进行了权重式的融合,构建了基于融合核函数的改进径向基代理模型。利用数值和工程算例进行测试仿真,结果表明该技术不仅满足精度要求,且明显提高计算效率,具有更高的预测稳定性。

基于RBFNN-ISSA的特大跨径悬索桥有限元模型修正

针对大跨径悬索桥一类复杂结构的有限元模型修正问题,提出了一种基于径向基神经网络(radial basis function neural network,RBFNN)子结构代理模型与改进麻雀搜索算法(improved sparrow search algorithm,ISSA)的有限元模型修正方法。首先,基于桥梁图纸数据采用通用有限元软件建立一座大跨悬索桥的初始有限元模型,并根据拉丁超立方抽样原则生成子结构材料参数-结构响应的训练样本,通过RBF神经网络和子结构模拟方法对初始有限元模型进行解构重组和样本学习,拟合关于材料参数-结构响应的代理模型。其次,建立考虑主梁挠度和模态频率误差最小的有限元模型参数修正数学优化模型,采用Tent混沌映射及黄金正弦策略改进标准麻雀搜索算法,引入柯西分布函数和贪心保留策略对每一代麻雀种群进行扰动,以用于求解联合静、动力特征的有限元模型修正数学优化问题。最后,以杭瑞高速洞庭湖大桥为工程背景,进行了悬索桥荷载试验,利用实测桥梁响应数据验证了该方法的可行性。研究结果表明:基于RBF神经网络与子结构法的模型修正方法,可以建立拟合精度较高的悬索桥结构代理模型;基于子结构RBF神经网络与改进麻雀搜索算法修正后的有限元模型相较于整体RBF神经网络、支持向量机和Kriging模型,大幅提升了对于实际结构的模拟精度,与实测数据相比,修正前后有限元模型在两级静力加载工况下13个有效测点挠度的平均相对误差降低了25%以上,前8阶模态频率的平均相对误差由-6.83%降至-2.38%,MAC值结果表明修正后模型能够准确地反映出大桥的实际振动状态,有效改善了初始有限元模型计算失真的情况;此外,基于混合策略改进后的麻雀搜索算法对于有限元模型修正参数的寻优具有更佳的收敛效率和稳定性。

一种基于径向基函数的近似模型构造方法

发展了一种基于径向基函数的近似模型建立方法。首先采用试验设计方法对设计空间进行样本选择,采用数据分析方法对样本集进行聚类分类,得到径向基函数中的相关参数。对于近似模型权系数采用能够适应大规模并行计算并且能够在全局解空间的多个区域内寻优的遗传算法进行求解,而不是采用最小二乘法通过线性方程的求解获得。最后通过对一维非线性和多维高阶非线性函数的逼近测试,以及对近似模型的拟合函数与原函数之间的误差分析,表明本文提出的基于径向基函数的近似模型方法具有良好的拟合与预测精度。

径向基函数近似模型在车门轻量化中的应用

为了降低重量,这里进行汽车前门轻量化研究。首先对汽车前门的模态、刚度进行分析,以确保其性能满足要求。然后利用试验设计对钣金件进行筛选,选出对输出响应影响较大的钣金件作为设计变量,应用哈默斯雷采样法采集样本点构建径向基函数近似模型,再用拉丁超立方采样法验证所建模型的准确性,最后在近似模型的基础上,利用遗传算法进行优化计算。结果表明:在前门的模态、刚度都满足目标要求的情况下,前门质量降低了15.65%,并且大大缩短优化时间。

基于改进RBF神经网络模型的SOFC性能预测方法

固体氧化物燃料电池(SOFC)测试存在费用高、实施困难以及耗时长等问题,因此,提出了一种基于径向基(radial basis function,RBF)神经网络的SOFC建模方法。首先采用数据驱动的方式利用RBF神经网络模型对电池中阳极、阴极、电解质厚度等微观结构对SOFC性能的影响进行分析,然后针对RBF神经网络模型参数选取困难、易陷入局部极值的问题,提出一种改进果蝇算法(improved fruit fly optimization algorithm,IFOA)对其进行优化,自动确定模型参数的同时确保其收敛于全局最优解。仿真结果表明,所提方法能够准确描述微观结构变化对SOFC性能的影响,相对于支撑向量机(support vector machine,SVM)模型能够获得更高的预测精度。

基于耐撞性的近似模型精度研究

近似模型精度是保证碰撞类强非线性问题分析的基础。基于模型近似整体流程,利用测试函数对试验设计方法进行评定选择;结合四分位图和精度评价指标,利用测试函数和碰撞工程实例,分别建立100个采样样本、20个验证样本,比较最小二乘法、Kriging法和径向基函数3种近似算法对不同非线性度、不同变量数的响应函数近似拟合精度。结果表明,哈默斯雷试验设计方法和径向基函数近似模型技术组合是解决汽车耐撞性问题显式表征的最佳流程。

基于近似模型的非线性区间数优化方法及其应用

在不确定优化中,非线性区间数优化方法由于需要嵌套优化,造成计算效率低下而阻碍其应用于工程实际。本文提出了一种基于径向基函数近似模型的求解方法,以提高非线性区间数优化方法的计算效率。该方法利用拉丁超立方实验设计方法采样,建立目标函数和各约束的径向基函数近似模型。利用近似模型代替嵌套优化中的真实模型,再用非线性区间数优化方法进行求解,从而提高了非线性区间数优化方法的计算效率,使得该算法在工程应用方面成为可能。用一个测试函数验证了该方法的可行性,最后将方法应用于车身薄壁梁的耐撞性优化。

工程优化设计中的近似模型技术

解决复杂系统的建模优化问题,需根据具体的应用环境,选择合适的近似模型。本文对响应面模型、多元自适应回归样条模型、克立格模型、径向基函数模型、支持向量回归模型等近似模型的性能特点和适用范围进行了系统的比较研究,在分析这些近似模型基本特性的基础上,选取具有广泛代表性的测试函数,并综合考虑问题的复杂度、非线性程度、采样点的规模及分布等多个因素,对上述5种近似模型的全局和局部拟合能力、鲁棒性等进行了较为全面的比较评价,并给出应用实例。

径向基神经网络在近似建模中的应用研究

为了在不依赖测试样本的前提下获取最优的径向基函数分布系数Opt-SPRD,从而构造出具有更高精度的径向基神经网络(RBNN)近似模型,提出了一种基于交叉验证的分布系数选取方法。该方法以分布系数与交叉验证误差之间的函数为基础,把对应于交叉验证误差最小值的分布系数作为Opt-SPRD的近似解。数值实验的结果表明,所提出的方法明显优于目前通行的缺省处理方法;与基于L-MBP算法的前馈神经网络近似模型相比,在所提出方法基础上构造出的RBNN近似模型具有更高、更稳定的精度。

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function,RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。

增强型径向基函数的分块响应面近似处理方法

采用多项式响应面法、分块响应面法和增强型径向基函数的分块响应面法对3个测试函数进行近似处理,比较它们的均方根误差和相对误差值.结果表明:在样本数量较少时,并未明显地体现出增强型径向基函数的分块响应面法的优势,但是其近似精度不低于前两种方法;当样本点数量比较大时,增强型径向基函数的分块响应面方法的近似精度明显高于分块响应面法和多项式响应面法.

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。

基于神经网络模型和改进最优保留遗传算法的非线性系统多步预测控制

针对复杂工业过程中存在的时滞、慢时变、强干扰等非线性控制对象提出一种利用径向基函数神经网络 (RBFNN)作为预测模型 ,改进最优保留遗传算法 (MEGA)作为滚动优化策略的非线性预测控制算法。仿真结果表明该算法具有较强的鲁棒性和抗时变性能。

径向基代理模型中形状参数对精度的影响

代理模型方法是复杂系统优化设计的一种有效方法,讨论了以多二次函数为核函数的径向基(radial basis function,RBF)代理模型中形状参数h对精度的影响,在此基础上探讨了一种获得最优h值的方法。在该方法中,将RBF代理模型的标准均方根误差表达为形状参数h的函数,通过极小化该标准均方根误差,得到最优h值。在样本点给定的情况下,采用该最优h值所构造代理模型与采用其他h值所构造的代理模型相比,其精度更高。一维和二维数值算例验证了采用本方法确定h值的有效性,并应用该方法求解了战术导弹的气动外型优化设计问题。

基于近似模型的大排量摩托车悬架系统平顺性优化分析

针对某运动型大排量摩托车行驶平顺性问题提出一种优化方案。通过摩托车在C级路面上的仿真分析得到表征摩托车行驶平顺性的俯仰振动与垂向振动加速度,并将以上两个指标峰值作为目标响应,采用最优拉丁超立方抽样方法对悬架系统的相关参数进行灵敏度分析与近似建模,基于分析结果采用径向基函数神经网络近似模型进行多目标优化。结果表明,优化后经实车验证,俯仰振动加速度峰值降低了17.21%,前、后车轮垂向振动加速度峰值分别降低8.11%和24.18%,改善了摩托车行驶平顺性以及验证了该优化方案的有效性。

飞机多学科设计优化中改进的径向基神经网络法

用径向基神经网络方法构造近似模型常常难以满足精度要求,提出了一种把二次响应面与径向基神经网络相结合的算法。该方法在样本点相同的情况下减小了近似模型的推广误差,提高了近似精度,增加了适应性。通过2个算例表明该算法提高了近似模型的精度,可在多学科设计优化中提高设计效率和质量。