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。

模糊子空间聚类的径向基函数神经网络建模

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降。针对此缺陷,根据模糊子空间聚类(fuzzy subspace clustering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN)。与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间。当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能。模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性。

基于CFSFDP-RBF神经网络的加拿大区域气候预测

南极冰川融化、飓风不断增加、海平面逐渐上涨等现象的出现,使人们意识到全球气候变暖给人类生存带来的极大的挑战,针对全球变暖引起的气温变化不定问题,为了准确预测气温变化情况,以加拿大部分地区为例,通过对加拿大10个省份数据预处理,最终选取四个数据保留较完整的省份数据。对此提出了一种改进径向基(RBF)神经网络气候预测模型。该模型采用密度峰值快速聚类(CFSFDP)算法和自适应矩估计(Adam)对RBF神经网络进行优化,首先利用CFSFDP算法聚类出中心簇来确定RBF神经网络径基中心,避免随机选择带来的误差。再利用Adam算法对目标函数进行迭代微分,调整权值,同时自适应地改变学习率,提高预测准确性。针对模型的准确性检验,通过与BP神经网络、RBF神经网络、K-means优化RBF神经网络及论文算法进行对比实验发现本模型具有较高的准确率。针对结果的准确性检验,分别利用改进整合移动平均自回归模型(ARIMA)、向量自回归模型(VAR)与CFSFDP-RBF神经网络算法对气候进行预测,三种模型的结果均得到相似结论,表明该算法预测结果可信。实验结果表明,未来25年平均气温达到15.0470℃,未来25年平均降水量达到2.0984 mm,预测准确率达95%以上。

基于改进自适应聚类算法的RBF神经网络分类器设计与实现

针对传统径向基函数神经网络构造的网络分类器通常存在分类精度不高、训练时间长等缺陷,首先提出了一种改进的自适应聚类算法,用于确定分类器的隐含层节点。该算法通过筛选基于轮廓系数的优秀样本群,来寻找最佳初始聚类中心,避免了传统K-means算法易受初始聚类中心点影响,导致最终的分类效果严重偏离全局等情况的发生。其次,将该改进算法用于构造径向基函数神经网络分类器和快速有效地确定隐含层节点径向基函数中心及函数的宽度。最后,通过大量UCI数据集的实验和仿真,验证了改进算法在聚类时间、聚类轮廓系数及聚类正确率等方面具有优越性。同时,大量的仿真实验也证明了基于改进算法构造的RBF分类器具有更高的分类精度。

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络.利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力,并以球面聚类的方式确定了径向基神经网络中基函数的位置,同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元,以达到简化径向基神经网络结构的目的.实验比较了几种不同聚类算法的径向基神经网络,结果表明,所提神经网络的整体训练时间至少可缩短40%,学习的准确率可提高1%以上,而且网络结构更加精简.

基于模糊聚类径向基神经网络的煤质分析模型

为了实现煤炭指标的快速智能预测,建立了基于模糊聚类的径向基函数(RBF)神经网络预测模型,将已测定的收到基全水、收到基灰分、收到基挥发分和收到基全硫的含量作为分类指标进行模糊聚类,根据分类结果分别建立了基于径向基函数神经网络的定量分析模型,对干燥无灰基挥发分、空干基全硫、收到基低位发热量和空干基高位发热量进行了预测,并与直接使用径向基神经网络模型进行比较。结果表明,该分析模型不仅精度高,且泛化能力强,鲁棒性好。

基于RBF神经网络的网格数据聚类方法

把径向基函数(RBF)神经网络和网格结合起来,提出了一种能够并行处理数据和便于增量计算的智能聚类方法。介绍了网格聚类原理、RBF神经网络神经元的数量和基函数的选择,并针对数据聚集区域的位置辨识、提高分辨率和计算速度等问题,深入讨论了聚类策略与聚类算法。仿真表明了该方法的有效性。

广义径向基函数神经网络在热误差建模中的应用

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法。

基于径向基函数神经网络的电火花线切割机床可靠性数据模拟生成

针对电火花线切割机床(Wire electrical discharge machining,WEDM)可靠性数据分布模型无法确定的问题,提出应用径向基函数(Radial basis function,RBF)神经网络对可靠性数据进行模拟仿真,扩大可靠性数据样本量,从而确定其分布模型的方法。选取聚类学习算法作为神经网络学习方法,通过无监督学习确定RBF神经网络中各隐节点的数据中心,并根据各数据中心之间的距离确定隐节点的扩展常数,然后用有监督学习训练各隐节点的输出权值。经过对原始可靠性数据进行拟合训练后生成一套RBF神经网络,随机产生100个可靠度数据输入该神经网络产生与原始可靠性数据具有相同失效统计规律的数据。对扩充后的可靠性数据通过图估计法和柯尔莫哥洛夫-斯米尔诺夫(Kolmogorov-smirnov,K-S)检验法确定电火花线切割机床可靠性数据分布模型为对数正态分布模型,同时对可靠性模型的参量估计更加准确。

基于径向基函数神经网络的预测方法研究

提出了一种新的确定径向基函数中心的方法. 该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法从模糊聚类中心中进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准. 该方法集中了交叉迭代模糊聚类和正则化正交最小二乘法的优势,可有效减小网络规模,提高网络推广能力,而且能够避免数值病态情况发生. 以新疆伊犁河雅马渡站的年径流量预测为例进行计算,其结果验证了所提方法的有效性.

基于径向基函数神经网络的并联机器人运动学正问题

以一般形式的Stewart型并联机器人为例,由机器人的位置反解问题引出机器人运动学正解问题,在分析BP网络与径向基函数网络的特点基础上,采用基于径向基函数神经网络的算法,利用最近邻聚类方法获得径向基函数中心,求解并联机器人运动学正解问题·通过对训练样本的学习,确定神经网络权系数,能够准确地求解并联机器人的位置和姿态,算法具有运算简单,求解效果好等特点·同Newton Raphson算法比较,能获得相同的效果且位置和姿态误差近似恒定,而神经网络算法避免迭代初值及额定循环次数的影响·因此该方法可作为并联机构系统运动学轨迹跟踪控制的运动学模型辨识器·

基于递推k-均值聚类算法的RBF神经网络及其在系统辨识中的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法，并用此对动态非线性过程进行辩识。仿真结果表明了本文方法的可行性。

基于免疫聚类的RBF神经网络在中医舌诊诊断中的应用

研究基于人工免疫聚类的RBF(Radial-Basis Function)神经网络应用于中医舌诊诊断,构建一个中医舌诊智能诊断的神经网络模型,旨在提高模型的诊断能力和收敛速度。对输入样本集进行数据归一化处理,采用改进的基于免疫聚类的RBF算法进行学习、训练。以肝病病证诊断进行仿真,结果表明:该中医舌诊智能诊断系统具有诊断能力强、收敛速度快,泛化能力强等特点。因此,基于人工免疫聚类的RBF神经网络应用于中医舌诊诊断的研究是可行的,有效的。

基于径向基函数神经网络的风速预测

针对短期风速预测问题,提出基于交叉迭代模糊聚类算法和正则化正交最小二乘法的径向基函数神经网络预测方法。该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准。该方法可有效减小网络规模,提高网络推广能力,并能避免数值病态情况发生。以我国某风电场实测风速时间序列为例进行计算和分析,其结果验证了所提方法的有效性。

基于免疫聚类的RBF神经网络研究

通过分析以往人工免疫聚类算法的不足之处,提出了一种改进的基于人工免疫聚类与RBF神经网络的混合算法。该算法由两个阶段组成:第一阶段采用人工免疫机制来确定RBF网络隐层的聚类中心的位置和数量;第二阶段建立RBF神经网络,对输入样本数据进行学习、训练,求输出层的权值矩阵。最后以肝病病证诊断进行仿真,建立基于免疫聚类的RBF网络模型。实验结果表明:该算法用于中医病证诊断的研究是可行的和有效的。

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。

径向基函数神经网络需水预测研究

在分析山西省历年用水量和人均用水量的基础上,建立径向基函数神经网络需水预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。采用丰富的需水预测因子作为模型的输入,网络输出需水预测值。预测结果表明,径向基函数神经网络需水预测模型运算速度快,有较高的预测精度。需水预测可为水资源规划和配置提供依据。

基于径向基函数神经网络的污水生物处理模拟

针对复杂的非线性污水生物处理过程,开发了径向基函数的人工神经网络模型,并用实测污水厂进、出水数据进行模拟。采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。其中神经网络的输入为进水水质和控制参数等5个影响因子,网络输出为COD或TN。结果表明,用径向基函数神经网络模拟污水生物处理拟合性好,出水COD和TN达到预期的模拟精度。

神经网络在船舶柴油机故障诊断中的应用

在船舶航行的过程中,利用加速度传感器和动态信号采集仪,将船舶柴油机航行实时数据进行采集,对其分析处理,从而判断船舶动力装置将会出现的问题,并及时解决。文章的船舶柴油机故障诊断系统利用主成分分析(PCA)降维对数据进行预处理,将降维后的数据通过K-means聚类分析,再将聚类后的数据输送入径向基函数(RBF)神经网络进行训练,从而得到具体的故障类型,提升了故障诊断的效率和准确性。

基于熵聚类的RBF神经网络学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,最常用确定中心向量的方法是K均值聚类算法,对聚类中心的初值选择非常敏感,选择的不好,容易减低网络的训练性能。为克服以上问题,提出了一种熵聚类的方法来自动确定RBF神经网络隐结点的中心个数及其初始值,实现K均值聚类算法的初始化,再用改进的K均值聚类算法调整RBF神经网络的中心和训练宽度。并将上述算法用于函数逼近问题。实验结果表明:改进的算法与常规的K均值聚类算法相比,提高了训练速度和逼近精度。