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入侵检测系统设计与研究

本研究设计并实现了一个基于径向基函数神经网络的计算机网络入侵检测系统。通过提取网络流量特征并利用径向基函数(RBF)神经网络的非线性映射与自适应学习能力,系统能够高效检测已知与未知入侵行为。实验结果表明,该系统在不同网络负载下表现稳定,检测准确率较高,尤其在自适应学习后的性能显著提升。

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。

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征,而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模,两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件.但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解.为了克服这一问题,本文充分利用无网格法能够灵活构建数据样本的优点,提出了一种径向基函数前置卷积神经网络模型.该网络通过径向基函数的前置,提前激活输入数据,实现了非线性变换和数据特征维度跃升,随后再将数据传入传统卷积层得到输出.由于所提网络模型具备线性求解的特点,能够有效提升预测精度与计算效率.在数值算例中,通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果,系统验证了所提网络模型的有效性.

基于滑模观测器与径向基网络的电液位置伺服系统反步控制

针对传统电液伺服系统中存在的未知扰动、非线性动态以及参数不确定性等共性问题,提出了一种基于滑模观测器和径向基函数(RBF)神经网络的反步控制(BC)方法。首先,构建了阀控缸系统三阶严反馈状态空间模型,并采用具有有限时间收敛特性的滑模观测器,估计系统的未知速度状态和非匹配项集总扰动;然后,基于系统的严反馈模型和指令滤波技术,设计了反步控制器,利用径向基神经网络(RBFNN)补偿系统速度/扰动的估计误差、滤波偏差以及系统的匹配项扰动,并根据Lyapunov稳定性定理证明了闭环系统跟踪误差的渐进有界收敛;最后,搭建了阀控缸电液控制系统实验平台,通过仿真和实验验证了该控制方法对多频率参考信号的跟踪性能。研究结果表明:该控制方法在传统PI控制器的基础上进一步改善了电液伺服系统的轨迹跟踪精度,实验跟踪误差最大值M e、跟踪误差平均值μ和跟踪误差均方值σ分别降低了66.7%、80%、83.3%;该滑模干扰观测器和RBF补偿器能够有效降低不确定性扰动的影响。

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。

基于径向基函数神经网络的肺部加权频差电阻抗成像方法

目的对肺通气过程进行床旁实时连续图像监控,是机械通气患者和临床医生的迫切需求。肺部电阻抗成像(EIT)可反映呼吸引起的胸腔电特性变化分布,在肺通气监测方面具有天然的优势。本文目的在于建立基于径向基函数神经网络(RBFNN)的肺部加权频差电阻抗成像(wfd-EIT)方法,实现对肺通气的高空间分辨率成像。方法利用肺部wfd-EIT成像方法实时描绘胸腔电导率分布状况,再通过RBFNN将目标区域可视化并精准识别其边界信息。首先通过数值分析模拟,在各个激励频率利用COMSOL与MATLAB软件建立2028个仿真样本,分为训练样本集和测试样本集,验证所提出成像方法的可行性和有效性。其次,为了验证仿真结果,建立肺部物理模型,选用具有低电导特性的生物组织模拟肺部通气区域,对其进行成像实验,并采用图像相关系数(ICC)和肺区域比(LRR)定量数据衡量成像方法的准确性。结果wfd-EIT方法可以在任意时刻进行图像重建,并能够准确反映出目标区域的电特性分布;利用基于RBFNN的算法能够增强目标区域的成像精度,ICC可达0.94以上,更好地凸显其边界轮廓信息。结论通过wfd-EIT成像方法,利用多频阻抗谱同步测量实现目标区域的快速可视化,并结合RBFNN网络逼近任意非线性函数的优点,实现对目标区域电特性变化的精准识别,为下一步进行临床肺通气的EIT图像监测奠定了理论和技术基础。

基于多层紧支撑径向基函数的DEM插值方法

采用多层紧支撑径向基函数对离散数据内插生成DEM。首先对采样数据进行预处理,在原始数据上删除最小距离点对上的点,每次删除后将剩下的数据点存储并作为下一次删除操作的数据源,重复删除操作至点数为给定的初值;然后在已存储的数据集中选取均匀度较大的m个子集作为插值的数据源,分别进行紧支撑径向基函数插值,将上一层的误差作为下一层的插值属性值,求解插值矩阵系数。将规则格网点作为插值点通过插值矩阵内插生成DEM,并且与各种径向基函数插值方法进行比较。实验分析表明,基于多层紧支撑径向基函数的DEM具有较高的插值精度,可作为一种DEM插值方法。

KD树索引策略下紧支撑径向基函数的点云建模

采用紧支撑径向基函数(Compactly Supported Radial Basis Function,CSRBF)对点云进行建模和可视化表达会因穷举搜索问题导致计算机内存溢出,最终引起建模和可视化失败。KD树索引具有快速搜索点的优点且避免了穷举搜索问题,将KD树索引和CSRBF插值模型相结合,提出KD树搜索策略下的CSRBF点云建模与表达方法。建立点云数据的KD树索引,采用CSRBF构建点云的隐式曲面函数模型,通过Marching Cubes算法对建好的模型进行有效的可视化表达。采用经典的兔子点云进行实验验证,结果表明KD树索引搜索策略下CSRBF的点云建模与表达方案可行。

特高拱坝多参数反演的智能优化径向基函数网络模型

利用大坝的监测数据对大坝力学参数进行精确反演,对于确保大坝的安全稳定运行至关重要。对此,提出基于径向基函数(RBF)网络和人工大猩猩部队优化算法(GTO)的拱坝参数反演模型。首先,采用RBF代理模型代替有限元模型,探讨材料参数与监测点位移响应之间的关系,RBF代理模型的采样数据由高效的拉丁超立方采样技术生成;其次,采用GTO智能优化算法,使材料参数识别的目标函数最小。工程实例分析结果表明,RBF-GTO模型能够在降低计算成本的同时实现高精度的混凝土特高拱坝参数反演分析。