伴随型非线性系统的自适应RBF神经网络补偿控制

为了抵消伴随型非线性系统中的非线性项,可以设计控制器对非线性系统精确线性化.通常由于系统中存在外界不确定性因素导致系统模型的不确定,而不能直接设计控制器.利用"RBF神经网络能以任意精度逼近连续函数"的原理,对系统模型中的不确定项进行自适应辨识,并将辨识结果提供给控制器,从而实现伴随型非线性系统的神经网络自适应补偿控制.将控制器应用于起重机吊重摆角子系统,对摆角进行控制.实验结果表明:吊重摆角及其角速度约在5s后,得到了很好的控制,并且控制器对系统模型的不确定项的逼近误差约在5s时达到0;控制器对系统的不确定性因素和系统参数变化均具有很强的鲁棒性.

基于灰色RBF神经网络模型在建筑物沉降预测中的应用

建筑物沉降的因素多种多样,因此,采用变形监测技术对沉降量进行监测,利用精度较高的预测模型进行沉降量预测预警很有意义。为了提高建筑物变形监测的精度以及变形监测预警的准确性,针对GM(1,1)模型和RBF神经网络进行分析,提出灰色RBF神经网络模型。通过对某建筑物的沉降监测数据进行实例计算,结果显示灰色RBF神经网络模型具有较高的预测精度。

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。

滤波减速器传动机器人的自适应RBF反演法控制

针对具有参数未知、外界扰动、强耦合、非线性和多变量的滤波减速器传动机器人,建立系统数学模型,并对其进行自适应RBF神经网络反演法控制。利用自适应RBF在线逼近系统模型中的未知非线性项,设计基于自适应RBF神经网络的反演法控制器,同时结合Lyapunov稳定性分析方法论证闭环系统的收敛性。所提控制方法有效地抑制诸如参数未知、外界扰动等对滤波减速器传动机器人的性能影响。仿真分析表明,所提出自适应RBF神经网络反演控制器实现了滤波减速器传动机器人的高性能位置跟踪控制,并具有很好的控制精度和鲁棒性。

稀土萃取过程组分含量的RBF软测量建模

稀土萃取分离过程的自动控制一直是稀土工业急待解决的关键难题，要实现稀土萃取分离过程的自动控制，首先必须解决串级萃取槽中各稀土组分含量的在线检测，而传统的检测又有很大的问题，软测量技术在稀土萃取过程控制中的应用研究开始活跃起来。该文是基于RBF网络的稀土萃取过程组分含量进行软测量建模的研究。

基于瞬时转速分析的柴油机气缸压缩性能检测方法

提出了一种利用柴油机倒拖过程瞬时转速分析来检测气缸压缩性能的方法。通过试验同步测量了车辆倒拖过程的曲轴瞬时转速和气缸压缩压力信号,利用径向基神经网络(RBF)模型,建立了瞬时转速与气缸压缩压力的非线性映射关系,实现了由瞬时转速波动特征来间接检测气缸压缩压力,并由此判断气缸的压缩性能。