一种基于径向基函数神经网络的电子侦察无人机资源调度方法

针对电子侦察无人机的资源调度问题,将电子侦察资源调度问题转换成目标优先级分配问题,并提出了一种基于径向基函数神经网络的电子侦察资源调度方法,通过对目标分配优先级进行智能学习分配,达到侦察资源利用率最大化。仿真结果表明,该方法可以根据侦察目标的多维度信息自适应分配无人机侦察资源,相比传统传感器资源分配调度更加高效。

基于RBF神经网络模型的汕头市水资源承载力研究

针对常规水资源承载力评价方法存在的不足,在Matlab 7.6环境下建立了水资源承载力评价的RBF网络模型,基于汕头市水资源现状,利用该模型综合评价了汕头地区的水资源承载力。结果表明,汕头市水资源承载力总体较好,但有逐步恶化趋势,且各区县的水资源承载力极不均衡,与汕头地区的实际情况相符。

基于RBF神经网络的制造业费用分配系数确定方法

针对制造业生产工况复杂,费用分配系数的确定困难这一问题,系统分析费用分配系数的确定流程,借助于RBF神经网络,建立费用分配系数确定模型,分析影响分配系数众多属性的权重,并以钢铁制造业为例进行实例验证。结果表明,所建立的模型能更好地解释各属性之间的关系,减小了系数制定的工作量,为新产品分配系数的确定提供了依据。

径向基神经网络和遗传算法优化热电负荷分配

根据不同机组特性对电厂热电负荷在机组间进行优化分配,是机组节能的重要手段。对于径向基神经网络算法的隐藏层函数中心选取进行了优化,利用梯度下降法对连接权重进行初始化以及更新。利用改进后的径向基神经网络构建了关于全厂煤耗量与机组负荷之间的模型算法,对两台350 MW机组的实际运行数据进行了分析拟合。针对遗传算法可能陷入局部最优的缺点,对算法进行了改进,以得到全局最优解。采用改进后的遗传算法对供热机组进行了负荷优化分配,并与平均分配方案进行了比较,证明了该算法应用于负荷分配的有效性,为优化负荷分配提供了新思路。

基于RAN-RBF神经网络的网络安全态势预测模型

为了更准确地获悉网络安全态势的发展情况,提出了一种基于资源分配网络径向基函数(Resource Allocating Network Radical Basis Function,RAN-RBF)神经网络的网络安全态势预测(Network Security Situation Prediction,NSSP)模型。该模型采用资源分配网络算法对网络安全态势样本进行聚类,得到神经网络的隐含层节点数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法(Modified Particle Swarm Optimization,MPSO)对神经网络的中心、宽度、权值进行优化,对未来网络安全态势进行预测。利用校园网网络管理部门提供的数据进行的仿真实验表明,相对于K-均值RBF神经网络预测模型,该模型可以得到更合适的RBF神经网络结构和控制参数,提高了预测精度,更加直观地反映了网络安全态势的总体情况,为网络安全管理员提供了态势图。

基于径向基神经网络的水下自主航行器寻源算法研究

针对水下航行器在二维信号场中的场源搜索问题,提出了一种基于径向基函数神经网络(radial basis function neural network,简称RBFNN)的在线自主寻源算法。在神经网络中引入全局正则化参数以保证泛化性和稳定性,通过最小化广义交叉验证误差(generalized cross-validation,简称GCV)进行正则化参数的迭代优化,并利用增量式奇异值分解(incremental SVD)对迭代过程进行加速,此外通过基于样本新颖性的资源分配网络算法(resource-allocating network,简称RAN)进行径向基函数的分配,在此基础上使用动量梯度算法进行航行器运动方向的规划。最后,以热泉区硫化氢浓度分布场中的搜索作业为背景,使用该算法与其他研究中的算法进行单峰值信号场的场源搜索模拟计算对比,结果显示该算法对于信号场梯度的估计更加准确,且搜索过程的路径更短。此外在多峰值信号场的寻源模拟中该算法能够以较高的成功率通过局部最大值区域。证明该算法具有良好的拟合、预测性能以及稳定性,并且能在一定程度上避免陷入局部最优解。

最严格水资源管理评价的神经网络模型及其应用

以云南省曲靖市最严格水资源管理评价为研究对象,提出了最严格水资源管理评价指标体系和分级标准,构建基于回归支持向量机(SVR)和径向基函数(RBF)神经网络的评价模型。利用层次分析法(AHP)从用水总量、用水效率、限制纳污与责任考核4个方面遴选出20个指标,构建最严格水资源管理评价指标体系和分级标准;采用随机生成和随机选取的方法在最严格水资源管理评价等级标准阈值间构造小容量训练样本和检验样本对SVR与RBF模型进行验证。利用SVR与RBF模型对实例进行评价分析。结果表明:1SVR与RBF模型具有较高的评价精度和泛化能力,可用于最严格水资源管理评价。2SVR与RBF模型对曲靖市2010、2015、2020和2030年最严格水资源管理评价分别为"不理想","较理想","理想"和"最理想"。

一种改进的RBF神经网络参数优化方法

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化,使RBF网络不仅可以得到合适的结构,同时也可以得到合适的控制参数。将此算法用于连续搅拌釜反应器模型的预测,结果表明,此算法优化后的RBF网络结构小,并且具有较高的泛化能力。

基于最小资源分配网络的自适应PID控制

针对常规径向基函数神经网络(radial basis function neural network,RBFNN)的逼近性能对网络结构和初始参数依赖性强的问题,采用最小资源分配网络进行改进,并与单神经元PID控制相结合,提出了一种基于最小资源分配网络的自适应PID控制方法。该方法利用最小资源分配网络动态构建RBFNN,实现RBFNN结构和参数的在线优化,并用该RBFNN辨识对象的离散模型,然后由单神经元PID控制器完成PID参数的自适应整定。仿真结果表明,该方法中PID参数能够很好地适应系统输入信号的变化,对非线性系统控制效果较为理想。

永磁同步电机神经网络速度控制器设计

针对永磁同步电机非线性、多参数变化以及系统扰动等问题,将传统PID控制与具有强自适应、自学习能力的径向基函数(RBF)神经网络相结合,设计一种永磁同步电机神经网络速度控制器。用RBF神经网络自适应整定PID速度控制器参数,提高系统鲁棒性和控制精度;利用改进资源分配网络(IRAN)和梯度下降法进行离线学习和在线学习,提高RBF神经网络的运算速度。通过MATLAB仿真实验,相比于传统PID速度控制,神经网络速度控制器具有更高的控制精度,更好的调速性能和鲁棒性。

基于逆向思维的系统可靠性精确分配模型

为了实现系统可靠性设计后期可靠度的精确分配,提出一种采用逆向思维,利用神经网络能够通过学习逼近任意非线性映射的能力,对系统可靠度进行精确分配的方法。以前期可靠性试验数据为基础,分析各子系统可靠度及自身约束条件变化过程中,系统可靠度的变化程度,从而获得子系统可靠度变化对系统整体可靠性影响的程度,作为可靠性分配的依据。将系统可靠度及两两对应子系统自身约束条件作为输入,同时以相对的子系统可靠度比值作为输出,对误差反向传播(BP)神经网络和径向基函数(RBF)神经网络进行训练,并对比较了测试结果,得出了系统可靠度精确分配的神经网络模型。

基于广义需求侧资源聚合的电力系统短期负荷预测模型

需求响应计划的广泛实施对电力系统短期负荷预测将产生一定的影响。为了获得理想的预测精度,需要准确计及需求响应因素的实时变化,并将其融入短期负荷预测模型的构建中。首先提出了一种能够通过电价合同实现的需求响应调度方式,该方式借助负荷聚合商机构实现了广义需求侧资源的最优调度,并能够以需求响应信号的形式提供给系统调度员利用。以此为基础,构建了基于广义需求侧资源聚合的电力系统短期负荷预测模型,将需求响应因素融入到短期负荷预测模型的构建中。仿真结果表明,构建的短期负荷预测模型能够有效弥补传统负荷预测模型的不足,有利于提升模型的预测精度。

汕尾市水资源规划配置效果评价

以汕尾市为例,基于水资源状况和经济社会发展规划,采纳当前用水定额并结合现状节水水平,完成了水资源供需预测与中远期水资源规划配置,依据规划配置结果建立了水资源规划配置效果评价指标体系,同时针对水资源系统的复杂性及不确定性,采用RBF人工神经网络模型分析规划配置效果。实例结果表明,通过规划配置水资源开发利用效果得到改善,但效果并未达到Ⅰ级的良好水平,可采取进一步的措施改进配置。

25种持久性有机污染物飞灰-水分配系数的定量结构性质关系研究

分别采用多元线性回归(MLR)和径向基函数人工神经网络(RBF-ANN)建立了2个不同的持久性有机污染物飞灰-水分配系数(Ksc)的定量结构性质关系(QSPR)模型,并应用留一交叉验证方法对所建立的模型进行了检验.用所建立的模型研究了25种有机污染物的飞灰-水分配系数的定量结构性质关系.结果表明:MLR模型预测的lg Ksc均方相对误差为6.31%,全部样本lg Ksc的预测值与实验值之间决定系数(R2)为0.823 3;RBF-ANN模型预测的lgKsc均方相对误差为3.03%,决定系数为0.962 3.这说明MLR和RBF-ANN方法都能够用于建立被研究化合物Ksc的QSPR模型,RBF-ANN模型的预测准确度更高.

基于FOA-RBF的管状开关磁阻直线电机直接瞬时出力控制

以车辆主动悬架系统为应用背景,针对径向磁通的管状开关磁阻直线电机提出了一种基于果蝇算法优化径向基神经网络模型(FOA-RBF)的直接瞬时出力控制方法。利用台架测量得到的电机出力样本对FOA-RBF进行离线训练,完成电流、动子位置到出力的非线性映射,构造出基于FOA-RBF的出力观测器对电机出力进行实时在线估算,并与出力分配函数相结合,实现相邻两相出力目标值的动态调整,有效地抑制了出力波动并降低了各相电流峰值。该控制方法利用了FOA-RBF神经网络泛化和逼近能力强的优点,出力计算速度快、精度高,满足实时控制要求。基于台架实际测量的电机出力和电磁特性,结合运动方程在MATLAB/Simulink环境中构建了系统仿真模型,并对提出的控制策略进行了仿真验证。最后搭建实验平台对电机动态性能进行了测试,进一步验证了FOA-RBF出力估算和控制算法的有效性。

河川径流中长期预测的支持向量机模型

径流预测历来是水利部门的一项重要工作,本文基于支持向量机（SVM）方法建立河川径流中长期预测模型,通过对1976-1994年黄河上游兰州站径流量历史数据分析处理后,得到年径流量增长的时间序列,利用所建模型对该序列值进行仿真模拟。在仿真实验后,用1995-1996年的增长量进行模型检验,并与RBF网络模型、BP神经网络模型预测结果进行对比,结果表明,应用SVM模型对年径流量进行预测,预测精度更高、效果更好。

一种新型RBF网络序贯学习算法

静态神经网络由于自身的局限性难于对非线性时变过程进行建模和预测, 而最小资源分配网络(M-RAN)又因调节参数过多难于实现. 提出了一种新型的基于局部投影概念的RBF网络序贯学习算法: 局部投影网络LPN, 进而对算法进行了最小化改进. 在此基础上进行了详细的算例验证.