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。

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。

基于改进的RBF神经网络倾角传感器温度补偿方法研究

针对MEMS倾角传感器零位温度漂移问题,提出了粒子群优化(PSO)算法和遗传算法(GA)相结合优化径向基函数(RBF)神经网络的补偿方法,克服了RBF神经网络收敛慢、泛用性低的缺陷。结果表明:该方法能够有效地消除温度对MEMS倾角传感器输出的影响。相较于RBF神经网络模型,最大相对误差(MRE)减小了21.03%,均方根误差(RMSE)减小了23.54%,温度漂移得到明显改善,提高了倾角传感器的稳定性与准确性。

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

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。