基于GA的RBF神经网络气液两相流持液率预测模型优化

为了提高气液两相流持液率预测精度,针对传统径向基函数(RBF)神经网络预测气液两相流持液率网络拓扑结构困难和收敛速度慢等问题,提出一种基于遗传算法(GA)优化径向基函数神经网络的气液两相流持液率预测模型。通过系统聚类算法和灰色关联度分析(GRA)对收集的实验数据进行处理,优选出最优模型特征,同时结合遗传算法确定了RBF神经网络结构参数。基于室内实验数据进行训练,并与常用于持液率预测的反向传播(BP)神经网络、GA-BP神经网络及RBF神经网络进行对比,评估了模型的准确性及可行性。结果表明:GA-RBF神经网络模型均方误差为0.0017,均方根误差为0.0416,平均绝对误差为0.0281,拟合度为0.9483。相较于其他神经网络模型,该预测模型表现出更高的计算精度和更强的泛化能力。

基于RBF-ANN GA的水下空化水射流喷嘴结构优化

为使空化水射流的性能满足船舶水下清洁的需求,对喷嘴结构进行优化,提出一种基于径向基函数(RBF)、人工神经网络(ANN)和遗传算法(GA)的水下空化水射流喷嘴结构优化方法。通过数值模拟计算设计参数(如入口段长度、收缩段长度、圆柱段长度、扩散段长度、入口半径、圆柱段半径、收缩角和扩散角等)与空化性能参数轴线最大蒸汽体积分数的关系,通过RBF-ANN对该关系进行预测,解决采用GA进行结构优化时个体适应度难以计算的问题。将该方法与传统的方法进行对比,结果表明,该方法能快速且稳定地计算个体的适应度,相比传统方法能更有效地提升喷嘴的空化性能。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于GA-RBF神经网络的电火花成形加工电参数优化

针对电火花成形加工的电参数选择问题,先建立RBF神经网络,将加工电参数和工艺指标参数分别作为神经网络的输入和输出。然后用GA优化RBF神经网络,建立用于电火花成形加工电参数优化的GA-RBF神经网络模型。试验结果表明,该网络的精度是令人满意的。

基于RBF的油气水段塞流流型超声识别方法

石油管道内的多相流流型识别主要集中在气液两相流和油水两相流方向且准确识别流型范围有限,为了解决油气水段塞流流型识别问题,本文提出一种基于RBF神经网络和超声传播规律的油气水段塞流流型识别方法。根据油气水段塞流的相分布特点,建立了流型识别超声测试仿真模型。采用超声透射衰减技术和反射回波技术研究水平管道油气水三相段塞流超声响应特性,提取透射衰减信号区分段塞流液膜区、气泡夹带区和稳定液塞区。利用反射信号时间序列数据中的回波能量等统计特征,通过RBF神经网络对油气水段塞流进行流型识别。结果表明,基于超声传播机理以及RBF神经网络三相段塞流流型识别率为95.7%。基于RBF神经网络的流型识别算法研究为超声技术实现水平管油气水段塞流流型识别提供了理论基础。

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。

基于GA-RBF神经网络的光伏电池MPPT研究

讨论了光伏电池非线性输出特性,在此基础上,结合径向基函数神经网络的特点,提出了基于遗传算法优化的径向基函数神经网络方法,并将该方法用到了电池的最大功率点跟踪预测中。仿真及实验结果表明,与传统的径向基函数神经网络相比,该方法克服了网络参数选择的随机性,具有更高的精度和适应能力。

基于RBF-GA算法的特高压线路复合绝缘子均压环优化

特高压线路棒形悬式复合绝缘子表面电位分布极不均匀,绝缘子高压端金具附近绝缘子护套表面局部电场强度很大,加速了绝缘子的老化。工程上通常用安装均压环的方法来解决该问题。均压环结构参数决定了其均压效果,为得到较优的均压环参数,需要对其管径、环径、罩入深度的优化设计进行研究。由于复合绝缘子的结构特点使得单元数量较多,求解耗时长,常规遗传算法应用于该课题具有优化过程耗时较长的问题,因此使用改进的优化算法对均压环参数进行优化。改进的RBF-GA混合算法综合了RBF神经网络任意函数逼近能力和GA算法的全局优化能力,是一种性能较好的优化方法。文中通过有限元法对复合绝缘子电场分布进行了数值计算,用RBF神经网络对复合绝缘子护套上最大电场强度值进行了拟合,最后用GA算法基于拟合值对均压环参数进行了优化。基于RBF-GA算法对均压环结构进行参数优化,求解速度较使用传统的遗传算法有大幅度提高,并得到了良好的优化结果,证明了该方法的有效性。

基于GA-RBF和不变矩的高压瓷瓶裂缝识别

为了保证高压输电线路的正常运行,可以通过高压输电线路巡检机器人视觉系统完成高压输电线路的检测。通过CCD摄像头等硬件模拟机器人的视觉,完成对绝缘瓷瓶裂缝图像的采集,并通过滤除噪声、图像分割等预处理操作和形状特征,完成图像中裂缝的定位。对于聚焦放大后的裂缝图像提取不变矩等4个特征值,得出图像信息。最后利用遗传算法和RBF网络相结合的算法,实现对绝缘瓷瓶裂缝5种状态:横向、纵向、块状、网状、无裂缝的分类识别。通过仿真和实验比较表明,该算法可以有效、可靠地运用于绝缘瓷瓶裂缝类型识别研究中,并可方便地应用于其他领域。

基于RBF-GA的坦克分队作战目标评估

针对坦克分队遂行不同类型作战任务时会选取不同准则评估作战目标的特点,选定两类准则目标评估:价值评估准则和威胁评估准则,并确定各准则的评估指标。依据径向基函数(RBF)神经网络的快速性和唯一最佳逼近性及遗传算法(GA)的全局搜索能力和并行处理能力,设计了RBF神经网络遗传算法(RBF-GA),用于评估坦克分队作战目标。实例分析表明,该算法不仅满足目标评估技术指标要求,还具有较高实用价值。

基于GA-RBF的煤矿机器人井下混合气体检测系统的研究

井下混合气体的检测关系到地下煤矿挖掘工程的安全,以及地下工人的安全与健康,进行高效、高精准度的气体检测,对工程进度及安全保障的提升有重大意义。该设计对GA-RBF径向基函数以及煤矿机器人井下混合气体检测的工程进行概述,并以试验的形式提出了GA-RBF在煤矿机器人检测井下混合气体的运用,给工程单位以借鉴,保证井下工作安全。

一种基于IGA-RBF神经网络的传感器动态特性补偿算法

为了改善传感器的动态特性,减小系统测量误差,对传感器动态性能进行分析,提出了一种基于改进型遗传算法(IGA)和RBF神经网络相结合实现其动态特性补偿的算法,并应用到瓦斯传感器的补偿环节;实验结果表明,经IGA-RBF补偿算法后响应时间仅为0.413s,幅值误差为±5%时的工作频率f≈5.47kHz,不仅响应速度快,精度高,还具有工作频带宽的特点,较大地改善了多项动态特性指标,能够有效地用于传感器的动态特性补偿,在测试领域中有很好的应用前景。

基于GA-RBF网络的ABB机器人逆运动学求解

阐述了利用遗传算法对RBF网络进行优化的过程。并结合ABB机器人的正运动学分析,将正运动学求解的结果作为GA-RBF优化网络的训练样本,求解了机器人逆运动学问题。仿真和试验结果均表明该方法能得到很高精度的运动学逆解。

基于GA-RBF神经网络逆的两电机同步控制

以多变量、非线性、强耦合的两电机同步控制系统为研究对象,提出了基于遗传算法的径向基函数(GA-RBF)神经网络逆的两电机同步控制方法。根据给定的性能指标,采用遗传算法对RBF神经中心进行优化,在此基础上串联RBF神经网络逆与两电机系统,构建复合伪线性系统。这一复杂控制对象即可解耦成转速与张力两个线性子系统,进而通过设计线性闭环调节器实现了解耦控制。实验结果表明,采用GA-RBF神经网络逆的两电机系统,对速度和张力实现了较好的解耦控制,且具有较强的抗干扰能力。

PCA和GA-PSO-RBF集成的发电机组远程故障诊断

首先基于LPC2290核心芯片的arm嵌入式工控平台设计了远程数据采集系统,使故障诊断系统通过Internet在线获取发电机组状态数据。然后给出了主元分析(PCA)和GA-PSO-RBF神经网络集成的故障诊断方法。故障模式向量先通过PCA降维,降低RBF神经网络的规模和计算时间。针对RBF神经网络参数难以设置、收敛速度慢等不足,介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传-粒子群算法(GA-PSO),用于RBF神经网络的参数优化过程。最后以转子振动试验台仿真发电机组,实现了状态信息的远程获取;通过故障诊断仿真测试验证了PCA和GA-PSO-RBF集成诊断方法的有效性。

基于GA优化RBF神经网络的英语教学质量评价

针对目前英语教学质量评价准确性不高的问题,提出了一种基于遗传算法(GA)优化RBF神经网络的教学质量评价方法.首先利用主成分分析对教学质量评价指标进行选择,然后设计了RBF神经网络教学评价模型,并采用GA对RBF神经网络的初始权值进行优化.实验结果表明,该方法能够有效评价英语教学质量,且准确性和实时性较高.

基于GA优选参数的RBF神经网络水质评价

为进一步提高多光谱图像水质反演的评价精度,提出一种基于遗传算法(GA)优选参数的径向基函数(RBF)神经网络水质评价方法。利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,得到符合条件且具有代表性的4类水质变量,对RBF神经网络进行训练和测试,用遗传算法对RBF神经网络的参数进行优化。在训练好的RBF神经网络模型基础之上对COD、NH3-N、DO、CODmn水质参数进行反演。实验结果表明,该水质反演模型较常规的方法有更高的反演精度。

基于GA-RBF算法的FUZZY-RBF交流伺服系统控制

针对某火箭破障武器交流伺服系统的不确定性和非线性等问题,设计基于GA-RBF算法的FUZZY-RBF神经网路控制方法。将GA算法和RBF神经网络结合起来作为系统辨识器用来优化FUZZY-RBF控制器的权值、节点和中心矢量等参数,并通过半实物仿真实验进行验证。半实物仿真结果表明:该控制策略能满足某火箭破障武器精度控制指标,保证其交流伺服系统控制的精度和稳定性,具有很强的自适应性和鲁棒性。

基于改进GA的RBF核函数参数优化模型

为解决高斯径向基(RBF)核函数参数难选择的问题,提出一种基于Fisher判别准则的径向基核函数参数优化模型。为了寻求模型最优解,对传统遗传算法进行了改进,改进的算法保证了适应度大于平均适应度的个体可以遗传到下一代的种群中。通过改进优化求解的效率更高。利用经过改进的遗传算法对所提出的模型进行全局优化求解,最后使用MATLAB 2009a作为工具,并使用UCI数据库的葡萄酒数据作为分析对象进行了实际的算法验证和评价实验。仿真结果表明,提出模型能够有效地找到合适的参数值,提高了SVM的分类准确度。

基于GA-RBF神经网络的位山闸引水能力预测研究

【目的】对位山闸改建后的引水能力进行预测。【方法】利用RBF神经网络非线性拟合能力强和遗传算法寻优能力强的优点,建立一种基于遗传算法(GA)优化RBF神经网络隐层各参数的位山闸引水能力预测模型,模型输入变量为闸门开数、闸前、闸后水深和季节因子(受汛期影响,汛期内季节因子为1,非汛期内季节因子为2),输出变量为实测过闸流量,利用现状水情数据组成的样本集对该模型进行训练和检验,检验训练后的模型平均误差为1.64%,证明预测效果较好。【结果】汛期时引水能力能满足设计要求;非汛期时,引水能力随闸后水头降低而增大,考虑闸后输沙渠下挖改造方案,基本也能满足设计要求。【结论】GA-RBF模型在位山闸引水能力预测上适应性强,预测精度高,有一定的推广应用价值。