基于高斯径向基函数神经网络的十字路口车流量预测

采用径向基函数预测功能的神经网络,对十字路口的车流量进行实时预测,仿真实验结果表明使用该神经网络对交叉口车流量进行预测可以得到令人满意的结果。

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。

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%。

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.

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。

上海生活垃圾理化性质演变与径向基函数神经网络模型预测:兼论垃圾分类的影响

生活垃圾受到社会经济因素驱动,其理化性质不断变化,并影响垃圾收运处理设施的建设规模和运行参数。大多城市缺少持续数十年的监测统计资料,国内外文献较少报道垃圾理化性质的历史演变及预测研究。在回顾1990—2018年上海生活垃圾理化性质的长时间序列数据基础上,建立了灰色预测与径向基函数(BRF)神经网络模型,预测上海2019—2030年的生活垃圾理化性质,并与国内外30个城市比较。结果表明:(1)近30年来上海生活垃圾厨余类占比(基于干基总固体质量计算)从82.72%降低至54.78%,纸类和橡塑类占比上升;容重和含水率呈下降趋势,而低位发热量则表现为明显上升趋势。(2)人均国内生产总值(GDP)是关键影响因素,与厨余类占比呈负相关性,而与纸类和橡塑类占比呈正相关性。(3)在垃圾不分类情景下,上海2019—2030年的厨余类占比将从52.74%下降至44.24%,纸类和橡塑类占比呈上升趋势。在垃圾分类情景下,纸类和橡塑类占比将分别上升至37.20%和44.67%。此外,预测结果与基于上海和国内外城市混合数据的预测值具有较好的一致性。研究结果对全国新一轮生活垃圾的分类、收运、处理处置规划具有参考价值。

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。

径向基函数神经网络指导的粒子群优化算法求解多峰优化问题

面对多峰优化问题粒子群优化算法因多样性不足和搜索动作选取不合理,难以找到问题的全局最优解.为此本文提出一种径向基函数神经网络指导的粒子群优化算法.首先设计子群划分方法,将种群划分成多个子群,子群中心作为子群粒子的学习目标,指导其搜索.该方法充分考虑种群多样性,选择能代表子群搜索特性的粒子作为子群中心,并使之远离存在的中心,通过选择合适的子群中心,实现子群划分.不同子群粒子在各自子群中心指导下搜索,呈现多样的搜索特性.其次,利用子群中心设置隐藏层节点,并在输出层输出粒子加速系数的调整动作.最后引入强化学习来训练网络.在CEC2013的15个多峰函数上开展实验,结果表明本文方法明显提高了多峰优化问题的求解精度.

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。

基于优化RBF神经网络在电能质量扰动分类中的应用

为保证建筑中智能电子产品安全运行,解决实际工程中电能质量扰动识别分类准确率低、抗噪性差等问题,提出一种基于优化RBF神经网络识别电能质量扰动的方法。首先,将20种电能质量扰动信号通过S变换进行时频域分析,提取出的扰动时频域特征数据划分为测试集和训练集;然后,构建径向基函数(RBF)神经网络电能质量扰动分类模型;其次,引入蜣螂优化算法(DBO)对RBF神经网络参数进行参数优化;最后,将划分好的训练集和测试集输入到优化后的神经网络中进行扰动分类。仿真及工程实验表明,提出的方法对于电能质量扰动识别准确率高,抗噪性及泛化能力强。