基于网络基的粗糙复杂网络决策方法及应用

在一些实际的复杂网络中,网络的管理者为了自身利益最大化和风险最小化,需要做出一些决策,但是现有的研究也只是针对某一实际复杂网络所做的决策,缺乏通用性,也忽略了复杂网络中大量的不确定现象,因此难以取得比较好的决策效果。定义了粗糙复杂网络的网络基,并对网络基的性质进行了研究,证明了网络基与复杂网络等价的结论;提出了两种节点重要性的决策方法和基于网络基的粗糙复杂网络决策方法。最后将基于网络基的粗糙复杂网络决策方法应用于第三方支付粗糙复杂网络的风险分析,建立了二层风险决策模型,给出了量化的决策分析结果。基于网络基的粗糙复杂网络决策方法在第三方支付粗糙复杂网络风险决策模型中的成功应用,说明了该方法的有效性和可行性。

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。

基于神经网络预测方法的智能化高精度大型钢管高速托辊机构研究

大型钢管高速托辊机构在工作过程中受管节点偏心、滑动摩擦等不确定因素的影响,会使得主管转动距离与胶轮转动距离存在一定偏差。这种偏差给实际工程施工带来一定困难。对此,采用商用软件ANSYS中的Transient Structural模块建立基于某大型钢管高速托辊机构的有限元模型,通过仿真计算研究转动过程中主管和胶轮的运动特性,获得对应的旋转角度、旋转距离以及距离偏差,采用径向基神经网络方法对主管和胶轮旋转的偏差进行预测对比分析。研究结果表明,所建立的径向基神经网络方法能够很好地预测主管和胶轮旋转的转动距离偏差,能够为大型钢管高速托辊机构上主管与胶轮距离偏差的计算提供一定的参考。

基于改进SSA结合模糊RBF神经网络的悬臂梁振动主动控制

随着航空航天事业的发展,为了节省燃料,同时提高航天器速度,航天器采用更轻的材料来减少质量。然而,此举也引入了柔性振动,灵活的振动增加了姿态控制的时间,导致姿态精度控制不尽如人意。因此,有效抑制柔性振动以实现高精度姿态控制非常重要。论文以柔性压电悬臂梁作被控对象,并利用压电薄膜(Polyvinylidene Fluoride,PVDF)作传感器和致动器,分析其振动的控制问题。基于PID和模糊理论的局限性,结合模糊控制器能模仿专家经验和径向基神经网络(Radial Basis Function Network,RBFNN)善于学习的优点,设计了模糊径向基(Fuzzy Radial Basis Function,FRBF)神经网络控制器来抑制悬臂梁的振动,并采用混沌映射的种群初始化策略、疯狂算子的领导者位置更新策略、精英保留及动态惯性权重的追随者位置更新策略改进的樽海鞘群算法(Salp Swarm Algorithm,SSA)来优化模糊神经网络权值。将改进后的控制方法在Matlab软件环境下进行了数值仿真,仿真结果表明,应用改进的模糊径向基神经网络控制器可以有效地提升主动控制的振动效果。

基于径向基神经网络的尾门优化研究

某一新车尾门悬挂重达35 kg备胎,需满足下垂性能指标及轻量化需求,针对传统人工迭代优化周期长、难度大的问题,提出一种基于径向基神经网络(RBF)的尾门优化方法,首先将尾门结构参数和料厚定义为可优化设计变量,然后通过试验设计(DOE)生成不同设计变量与车门下垂性能对应关系的多组数据,再基于RBF建立结构参数和性能的非线性映射,最后基于Isight的遗传算法对尾门参数进行优化。结果表明,优化方案尾门满足下垂下坠性能,并且减重1.0 kg(3.7%)。该研究对尾门优化设计有较大的工程参考价值。

基于自适应扰动观测器的旋转弹神经网络过载驾驶仪设计

旋转弹在飞行过程中受多种干扰的影响,包括跨域飞行气动参数剧烈变化引起的模型不确定性以及飞行过程中受到的外部扰动。为了解决高动态飞行环境中双通道旋转弹的鲁棒控制问题,基于轨迹线性化控制方法,设计伪逆反馈控制器。采用径向基函数神经网络,设计自适应前馈补偿控制器,有效实现对模型不确定性的精确逼近。将神经网络逼近误差和外部扰动处理为总扰动,并基于固定时间稳定理论设计一种自适应扰动观测器,实现对总扰动的精确估计及补偿。通过Lyapunov理论,严格证明了闭环系统的最终一致有界性。通过数值仿真验证了所设计方法的有效性。

粒子群优化径向基网络的空间调制信号检测算法

针对径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)参数确定不当时易陷入局部最优的问题,提出一种粒子群(Particle Swarm Optimization,PSO)优化RBFNN的空间调制正交频分复用(Optical Spatial Modulation Orthogonal Frequency Division Multiplexing,O-SM-OFDM)信号检测算法。在离线训练阶段,接收端收集部分信号作为训练集并建立RBFNN模型,利用PSO算法搜索RBFNN的最优宽度值,再将得到的模型用于系统进行在线检测。实验结果表明,PSO-RBFNN算法的误码率性能基本近似于最大似然(Maximum Likelihood,ML)检测算法,优于其他对比检测算法,且计算复杂度在光源数目为32、64及128时相较于ML检测算法分别降低了约39.59%、70.24%及85.24%。

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。

基于优化径向基网络模型的气动控制系统故障检测

随着科技的不断发展,气动控制系统成为组成工业自动化系统的重要环节,加强气动控制系统的预防管理得到自动化控制技术人员的高度重视。对径向基网络模型进行分析,引用改进粒子群的优化算法,创新性地设计相关的网络结构,并将其应用至气动控制系统的故障检测中。对某气动控制系统的故障数据进行分析,结果表明,采用改进粒子群算法的关键方法,经实验分析气动控制系统高准确率的故障检测情况,具体表现为准确率0.92,故障诊断率为0.90,并且经实际应用满足了机械工程上的应用。

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。

基于自适应径向基网络的热防护结构可靠性评估

针对复杂载荷下热防护结构可靠性评估效率低、分析精度差等问题,该文提出一种基于自适应径向基神经网络的可靠性评估方法。通过引入非线性收敛因子,对传统灰狼优化算法进行改进;采用改进后的灰狼算法优化径向基神经网络的中心点个数和扩展常数,建立精确预示热防护结构应力响应的自适应径向基网络模型;开展热防护结构的仿真和试验研究。结果表明:通过引入非线性收敛因子,大幅提高了灰狼算法的优化性能;该文提出的自适应径向基网络可以在小样本条件下建立高精确的代理模型;基于该文方法获得的可靠性分析结果与蒙特卡罗仿真结果、试验结果具有较好的一致性。

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。

基于自注意力机制的网络局域安全态势融合方法研究

针对传统网络安全态势感知方法无法高效整合多节点数据、获取全局网络安全态势的问题,文章提出了一种基于自注意力机制(Self-Attention Mechanism)、径向基函数(Radial Basis Function,RBF)神经网络与卷积神经网络(Convolutional Neural Network,CNN)的网络局域安全态势融合方法 SA-RBF-CNN(Self-Attention-RBFCNN)。通过自注意力机制,模型能有效识别并强调关键节点,增强对全局安全态势的认识。同时,改进的RBF结构与CNN结合能进一步提炼特征,增强模型对复杂数据模式的捕捉能力。实验结果显示,SA-RBF-CNN在识别网络安全态势预测的关键指标上优于其他类似方法,与传统态势感知方法相比,其提升了计算速度,减少了通信开销,证明该模型具有一定的实际应用价值。

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。

人工神经元网络和径向基网络模型预测建筑冷热负荷的研究

采用人工神经元网络(ANN)和径向基网络(RBF)模型预测了建筑冷热负荷,判断了影响建筑能耗的显著因素。通过对ANN和RBF模型隐含层神经元数量进行优化,发现8-65-1和8-97-1结构的ANN模型预测建筑热、冷负荷与数据集中的结果比较吻合,相关系数(R^(2))分别为0.962、0.953;8-28-1和8-6-1结构的RBF模型预测的结果更加吻合,R^(2)达到了0.985、0.997。RBF模型的预测精度要优于ANN模型,RBF模型预测热、冷负荷与数据集结果的R^(2)分别为0.989、0.992,而ANN的R^(2)分别为0.972、0.967。采用敏感性分析发现,影响建筑冷热负荷的8个参数中表面积的影响最显著,其次是墙面积、屋顶面积和玻璃面积,而玻璃面积分布及相对密实度的影响最不显著。

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。