模糊径向基函数神经网络(FRBF)及其在非线性控制中的应用

介绍了输入层具有一定隶属度的模糊径向基函数神经网络(FRBF),给出了一种训练方法.它比模糊小脑模型神经网络(FCMAC)具有更好的解析性和快速收敛性.用FRBF神经网络设计了具有虚拟系数的二阶非线性系统的控制器,仿真结果验证了模糊径向基神经网络(FRBF)的特性.

基于新型神经网络的船体优化

针对基于SBD(Simulation Based Design)技术的船体优化设计问题,文章提出了-种新型的神经网络逼近技术。首先,利用粒子群优化算法(Particle Swarm 0ptimization,PS0)训练柔性径向基(Flexible Radial Basis Function,FRBF)神经网络权值,提出PS0-FRBF神经网络算法。算法主要以主要尺寸和参数为设计变量,以位移变化为约束条件,引入PSO-FRBF波阻系数近似模型,建立总阻力优化模型,将模拟退火算法应用于船体优化设计,得到可靠、合理的优化船体。

PSO训练的弹性RBFNN在船型优化中的应用研究

针对基于SBD技术的船型优化设计问题,提出了新型神经网络近似技术。通过将粒子群算法用于FRBF神经网络的权值训练,提出了PSO-FRBF神经网络算法,通过对比分析多种方法建立的兴波阻力系数近似模型,验证了新算法的适用性与优越性。以Wigley船型为算例,以船舶主尺度和船型修改系数为设计变量,以排水体积的变化量为约束条件,引入PSO-FRBF兴波阻力系数近似模型,建立了船体总阻力优化模型,并采用模拟退火优化算法实现了主尺度与船型的优化设计,得出了可靠合理的优化船型。实例证明新型神经网络可为船舶优化设计相关阶段提供良好的技术支持。