基于AGA-RBF神经网络模型的叶绿素a质量浓度预测研究

叶绿素a质量浓度是预测湖泊水华形成的重要影响因子,但常用的径向基(radial basis function,RBF)神经网络存在容易陷入局部极值,导致预测精度欠佳.针对这一问题,采用自适应遗传算法(adaptive genetic algorithm,AGA)对RBF神经网络进行优化,构建基于AGA-RBF神经网络预测模型,以莆田东圳水库为应用案例,对叶绿素a质量浓度进行预测,通过采集到的数据对预测模型进行仿真,对比均方根误差(RMSE)、相对误差(RE)以及平均相对误差(MRE),验证改进后的AGA-RBF模型具有更好的预测精度,以期对叶绿素a质量浓度进行长期预测.

基于GA-RBF神经网络的港口用电负荷预测研究

港口电力负荷预测是港口电力经济运行和安全调度的基础,同时也是港口微电网改扩建投资优化策略研究的基础,本文利用MATLAB软件建立遗传算法和RBF神经网络相结合的预测模型与一般的RBF神经网络预测模型相对比。选取上海市某港口日用电负荷的历史数据进行仿真,对比模型的预测结果图和平均绝对误差、均方根误差、平均绝对百分比误差这三个评估指标,得出基于GA-RBF神经网络模型的预测精度更高的结论。

改进GA-RBF神经网络的水厂混凝投药预测

为了提高水厂混凝剂投加量预测准确性,针对投药系统易受多种水质因素影响,且投药后净水过程存在高度非线性的特点,通过改进遗传算法(GA)优化径向基函数神经网络(也称为RBF神经网络)的权值ω_i和高斯基函数中心宽度向量σ_i,构建GA-RBF神经网络净水厂投药量预测模型。Matlab仿真结果表明,GA-RBF神经网络预测模型可通过实现全局逼近来回避极值陷阱,提高了稳定性和全局寻优能力,相较于单一RBF神经网络预测模型,GA-RBF神经网络预测模型的拟合优度提高5.474%,平均绝对误差降低了4.14%,根均方误差降低3.392%,迭代速度和预测精度都有所提高,数据拟合能力更强。

QGA-RBF神经网络在矿井瓦斯涌出量预测中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,利用QGA算法优化RBF神经网络的参数,建立了瓦斯涌出量的预测模型,并使用MATLAB进行仿真研究。结果表明,经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。

基于HHGA-RBF神经网络的网络安全态势预测模型

针对网络安全态势感知中的预测问题,提出了采用径向基函数(RBF)神经网络对态势值进行预测的方法。为了提高RBF神经网络的预测精度,使用混合递阶遗传算法(HHGA)对RBF神经网络进行训练,获得了神经网络结构参数。实验结果说明了此预测方法的有效性,并通过与已有的预测方法进行对比实验,验证了所提算法在精度方面的优越性。

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。

多连杆机械臂GA-RBF神经网络轨迹跟踪控制

针对多连杆机械臂模型系统信息不完整、存在外界干扰等问题,设计了一种新型的GA-RBF神经网络闭环自适应控制系统。该系统利用径向基函数(RBF)神经网络来逼近并补偿系统的模型误差和外界扰动,在基于计算力矩法的基础上实现对机械臂的轨迹跟踪控制,并采用遗传算法(GA)对RBF神经网络权值进行在线优化,确保机械臂控制系统能在更短时间内获得稳定,实现了高精度的轨迹跟踪,提高了轨迹跟踪的性能。MATLAB数值仿真的结果验证了该方法的有效性。

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ICUOWGA-RBF神经网络的装配式建筑施工安全评价

为解决装配式建筑施工安全评价指标的模糊不确定性、随机性和指标间非线性关系造成专家难以洞察指标全部信息,从而降低评价结果科学性的难题,提出了基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价方法。该方法首先根据事故致因理论,从人员-物-管理-技术-环境5个维度构建装配式建筑施工安全评价指标体系;然后引入模糊语义量化算子对传统CUOWGA算子进行改进得到ICUOWGA算子,并利用ICUOWGA算子计算评价指标的权重,进一步消除运算过程的主观性;最后利用RBF神经网络训练样本数据,规避模拟过程陷入局部最小值的缺陷,优化学习效率,提高收敛速度。通过将该方法运用于郑州某装配式建筑工程施工项目的安全评价,结果表明该装配式建筑施工的安全等级较高,并指出影响安全施工的主要因素,为装配式建筑施工安全管理提供了管理思路。

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.

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。

基于三维荧光与GA-RBF神经网络对茶叶中氯菊酯农药残留的检测

采用FS920稳态荧光光谱仪对绿茶和铁观音这两种不同品种茶叶的氯菊酯溶液的荧光光谱特性进行了分析,发现这两种茶叶的荧光峰均位于λ_(ex)/λ_(em)=(390~410)/675 nm,氯菊酯的荧光峰λ_(ex)/λ_(em)=300/330nm。为了准确测定这两种茶叶中氯菊酯农药残留的含量,采用遗传算法优化的径向基函数神经网络对其进行了分析,当训练到74次时,均方差精度达到10^(-3),绿茶、铁观音的氯菊酯溶液预测样本的平均回收率分别为99.35%和98.89%,平均相对标准偏差分别为1.25%和1.21%。与建立的径向基函数神经网络模型进行了对比,结果表明三维荧光分析技术与遗传算法优化的径向基函数神经网络相结合能够较好地检测出茶叶中氯菊酯农药残留的含量,检测灵敏度大大提高,检出限范围广,可达0.004 8~24 mg/kg,远低于欧盟规定的茶叶中氯菊酯最高残留限量0.1 mg/kg,为检测农药残留提供了一种快速简便的新方法。

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。

三维荧光光谱结合HGA-RBF神经网络在多环芳烃浓度检测中的应用（英文）

采用FS920荧光光谱仪分析了苯并[k]荧蒽(BkF)、苯并[b]荧蒽(BbF)和两者混合物的荧光特性.结果表明BkF的两个荧光峰分别位于306nm/405nm和306nm/430nm,BbF的两个荧光峰分别位于306nm/410nm和306nm/435nm.BkF和BbF不同浓度配比及其相互间的荧光干扰,使得混合物荧光特性差异较大,荧光强度和浓度间关系变得复杂.为准确测定混合物中BkF和BbF的浓度,采用递阶算法优化的径向基神经网络对其进行检测,结果表明BkF和BbF的平均回收率分别为98.45%和97.71%.该方法能够实现多环芳烃类污染物共存成分的识别和浓度预测.

某交流伺服系统GA-RBF神经网络建模

RBF(径向基函数)神经网络在处理现实问题时经常会遇到数据量大,网络结构复杂,难以寻找到参数最优解的问题。针对上述问题,利用遗传算法(GA)的全局搜索能力优化RBF神经网络,对具有复杂非线性的某交流伺服系统进行精确辨识。仿真结果表明了基于遗传算法的RBF神经网络具有建模精度高,泛化能力好的特点。

GA-RBF神经网络GPC控制策略用于复杂系统鲁棒控制的研究

随着电力工业的发展,大型单元制火力发电机组在电网中所占的比例愈来愈大,单元机组控制对象为强耦合,时变,非线性,大滞后的复杂生产过程,当各种扰动作用时导致控制对象的参数不确定,模型难于准确建立,属于复杂难控的大型生产过程。在常规局部控制系统基础上发展起来的协调控制系统是解决这个问题的有效途径。本文先采用一种基于遗传算法和RBF网络相结合的算法建模,结合广义预测控制策略,经过在线滚动优化和反馈校正,实现预测控制。仿真结果表明在系统工况发生变化,参数发生变化,有滞后作用时,均具有很强的鲁棒性。

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。

某扫雷犁电液伺服系统的HGA-RBF神经网络建模

采用递阶遗传算法学习径向基函数神经网络的结构和参数,实现了某扫雷犁电液伺服系统的神经网络精确建模。介绍了某扫雷犁电液伺服系统的工作原理,详细论述了基于递阶遗传算法的径向基函数神经网络设计方法,即采用控制基因确定隐节点数目,采用参数基因辨识隐节点中心参数,利用最小二乘法计算连接权值。最后采用该方法对某扫雷犁电液伺服系统进行了建模研究,并与其它建模方法进行了比较,实验结果验证了该方法的有效性。

基于AGA-RBF神经网络的电厂水质评价

本文是对金山电厂的水源进行水质评价。水质评价是根据评价标准,通过所建立的数学模型,对水体的水质等级进行综合评判。由于地下水中杂质含量的变化规律复杂,呈高度非线性,存在着大量的不确定性因素,很难用精确的数学模型加以描述,遗传算法与RBF神经网络的结合为解决这些问题提供了一条有效的途径。因此本文建立了基于AGA(加速遗传算法)的RBF神经网络水质评价模型,并通过仿真实验证明,网络具有较好的逼近能力和泛化能力。

基于GA-RBF神经网络的光学图像背景抑制方法

根据图像背景的局部平稳性,提出了通过逼近背景局部相关特性来估计图像背景的方法,并且采用 RBF 神经网络来逼近图像背景的这种局部相关性.文中根据径向基函数神经网络的训练要求,用遗传算法来训练神经网络中的各个参数。实验结果表明,训练后的神经网络背景抑制算法能够很好地抑制图像中的背景,并同时增强了目标信号。