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Legendre函数的超高阶次地磁场建模方法

Legendre函数是超高阶地磁场模型球谐展开的重要组成部分,是解决高纬度地区数据溢出问题的关键。针对Legendre函数在超高阶地磁场建模中的解算问题,从Legendre函数的递推方法出发,优化了Legendre函数的解算过程,提高了效率和精度,解决了数据溢出问题,并给出了Legendre函数的递推过程、函数值和精度检验值。仿真结果表明,该方法提高了磁场模型数值稳定性及精度,为建立更高阶次的地磁场模型和地磁导航基准图的制备提供理论依据。通过将模型计算的各磁场要素与EMM2010模型相比较,验证了方法的有效性,并生成了全球的地磁图。

光谱预处理小波基函数的选择对结合FIBS技术和机器学习的铝合金识别精确度影响研究

随着经济不断发展,工业建筑领域产生了大量的废弃铝合金材料,对废弃铝合金材料分类回收可以提升废弃资源的利用效率,缓解能源紧张。选取了工业领域常用的五种型号的铝合金,开展了等离子体丝诱导击穿光谱(FIBS)光谱预处理小波变换基函数对铝合金分类识别精度的影响的研究。分别采用bior2.2、bior2.4和bior2.6正交小波基函数对铝合金的FIBS光谱进行预处理,结合线性判别分析(LDA)、网格搜索优化的支持向量机(GSSVM)和反向传播神经网络(BPNN)实现了铝合金型号的快速分类识别。结果表明bior2.2、bior2.4和bior2.6正交小波基函数结合LDA-GSSVM实现铝合金型号的平均识别准确率为90%、100%和76.67%,结合LDA-BPNN实现铝合金型号的平均识别准确率为96.67%、100%和90%,因此选择合适的正交小波基函数对FIBS光谱预处理,对于提高铝合金型号识别准确率有较大作用。

基于交互基函数的数据流聚类算法研究

聚类是数据挖掘的有效工具,数据流聚类成为当前研究热点,目前很多数据流聚类算法已经被提出,但大部分算法将距离作为相似度度量标准,存在对噪点敏感问题,且聚类效果不理想。为了增强数据流聚类算法的灵活性并提升聚类质量,该文将分数阶交互基函数(IBFs)引入数据流聚类,结合模糊ART算法对其进行了扩展,生成柔性决策边策略,提出了新颖的数据流聚类算法IBFs_ART。该算法首先对到达的数据点根据特征之间的相关性通过预计算函数特征扩展,并对原有特征进行分数阶变换,之后再基于交互基函数进行数据流聚类。交互基函数可生成灵活的决策边界且不需要指定软件,预计算函数可以在任何算法中实现,其可用于数据流聚类算法的任何扩展。经过实验表明,使用IBFs实现了较低计算成本生成灵活决策边界来找到最优聚簇,在相同警戒参数下实现了更高聚类质量和纯度,较传统聚类算法拥有更高的聚类精度、对称度量和更小的错误率。

基于航空重力梯度数据重建高分辨率局部重力场的径向基函数方法

基于径向基函数技术,研究了利用航空重力梯度数据重建局部重力场模型的方法,建立了泊松小波径向基函数和航空重力梯度张量之间的解析关系.以频率域变换和等效源方法为例讨论了不同梯度分量转换方法对重力场建模的影响,分析了基函数埋深深度对建模的影响.以澳大利亚珀斯Kauring试验场为例,采用实测航空重力梯度垂直分量构建了高分辨率重力场模型.结果表明,局部地形扰动对建模的影响较大,即使在平原或丘陵区域,也要考虑其影响.此外,不同梯度分量转换方法对于区域重力异常恢复的影响较小.再者,基函数埋深深度对建模影响较大;相比于采用重力数据建模而言,基于航空重力梯度数据求解时,基函数的适宜埋深深度更浅.联合航空重力梯度数据求解能显著提高重力场模型在高频和甚高频波段的分辨率和精度.与实测航空重力数据对比表明,利用航空重力梯度数据可构建分辨率约为0.15 km、精度优于1 mGal的重力场模型.

起伏地表QR径向基函数有限差分及其在弹性波逆时偏移中的应用

弹性波逆时偏移不受倾角和偏移孔径的限制,能够实现任意复杂构造的高精度多波成像,是目前最精确的多分量资料偏移成像方法之一.逆时偏移算法的核心是波场延拓,传统波场延拓以水平基准面为边界条件,基于固定采样步长进行规则网格剖分,采用阶梯近似法处理起伏地表和复杂构造界面时会产生台阶散射,严重影响起伏地表复杂构造的成像精度.基于无网格节点模型,定量分析了弹性波模拟中径向基函数有限差分法的频散关系和稳定性条件.基于此,提出一种基于QR径向基函数的高精度有限差分方法,并提出一种优化的起伏地表自适应节点剖分方法,推导了精确的无网格自由边界条件和弹性波无网格混合吸收边界条件,形成了新的基于无网格的起伏地表弹性波数值模拟方法.此外,本文将此无网格径向基函数有限差分方法应用于精确的纵横波场矢量分解公式,实现了起伏地表弹性波逆时偏移成像.通过对高斯山丘模型,起伏凹陷模型和起伏地表Marmousi-2模型进行数值试算,验证了本文方法的有效性和可行性.

含裂纹声子晶体能带分析的改进局部径向基函数配点法

基于直接法局部径向基函数配点法(local radial basis function collocation method,LRBFCM)提出了含裂纹声子晶体反平面弹性波的能带结构计算方法,分析了其能带结构特性,并通过有限元法计算对比验证该数值结果的准确性和有效性.在边界上采用直接法沿方向取局部节点,解决了边界求解不稳定问题,讨论了数值方法的处理技巧对结果的影响.并通过考虑不同声阻抗比、散射体形状(方形、圆形)和裂纹情况,验证了该方法计算含裂纹声子晶体能带结构的适用性.研究了形状参数、配点数对计算结果的影响.最后深入分析了不同长度和位置的裂纹对声子晶体能带结构的影响特性,并进行了对比分析.文章的创新性在于用直接法局部径向基函数配点法解决了含裂纹声子晶体能带结构计算的问题,极大增加了声子晶体的应用价值.研究结果显示:随着裂纹的扩展,能带结构带隙逐渐变窄;当裂纹扩展到一定程度时,金散射体的声子晶体带隙数量会增加,且新增带隙会随着裂纹扩展而变宽,但铝散射体的声子晶体带隙数量会减少;直接法局部径向基函数配点法可以大大提高含裂纹声子晶体能带结构的计算效率和计算精度.

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Legendre逼近的地下水位概率密度函数推断

采用Legendre正交多项式最佳平方逼近的地下水水位概率密度函数方法,进行自然状态下地下水水位数据分析,同时采用软频率直方图分析概率密度函数的可靠性,并与经典分布概率密度函数作对比。研究结果表明:该方法直接利用样本矩信息,不需要先进行概率密度函数类型推断,计算简单、结果稳定,能有效逼近概率密度函数,可用于求解天然条件下地下水水位的概率密度函数。

基于径向基函数插值的极移参数预报研究

极移参数预报的基础数据通常采用国际地球自转和参考系服务组织发布的最终解产品,数据分辨率为1 d。利用径向基函数对极移观测值进行插值,获取6 h分辨率的极移产品,并基于LS+AR模型进行500组预报实验。结果表明,相较于未进行插值的预报结果,该方法在1~7 d超短期预报中极移X和Y方向预报精度分别平均提升22.4%和38.4%。

基于隶属函数的烟草直播育苗基质配方筛选

烟草直播是一种新型育苗方式,需要研制相应的育苗基质,提升烟苗综合素质,同时减少草炭等稀缺材料的使用,并为实际生产应用提供技术支撑。以蚯蚓土、椰糠、谷壳灰、草炭、珍珠岩及蛭石为试材,通过不同体积比混配设置T1~T9共9个基质配方处理,与以草炭为主的漂浮育苗基质进行对照育苗试验,烟苗生长至7叶1心时,对表征其生长状况的各指标进行测定,运用模糊数学隶属函数综合分析育苗效果。结果表明,T6配方较CK显著增大了烟株株高与根系活力,烟叶的SPAD值、可溶性糖含量、可溶性蛋白含量分别提升了22.98%、9.70%、8.65%,T8配方有效促进了烟株生长,叶长、株高、茎粗、根系活力较CK分别显著提高了26.83%、61.51%、28.18%、5.88%,所育烟苗叶片的可溶性糖、可溶性蛋白含量分别显著增加了10.99%、7.69%,硝酸还原酶活性和过氧化氢酶活性分别是对照的1.45、1.43倍,利用隶属函数对各评价指标进行量化后发现,T6配方隶属函数值为0.71,T8配方隶属函数值为0.93,均高于常规基质的0.69。T6配方(椰糠∶草炭∶珍珠岩∶蛭石=4.5∶1.5∶2.0∶2.0)和T8配方(蚯蚓土∶椰糠∶珍珠岩∶蛭石=1.0∶2.0∶1.0∶1.0)满足烟草直播育苗需求。

C-Bézier基函数在稳态线弹性方程求解中的应用

用有限元方法求解稳态线弹性方程,以C-Bézier基函数作为参考元上的形函数,通过选取适当的形状参数,在步长不变的情况下,所得到的数值解精度比传统的Lagrange基函数在L∞、L 2范数下高3个数量级以上,在H 1半范数下高2~6个数量级,充分说明了C-Bézier基函数在求解稳态线弹性方程时具有更好的逼近效果。

在线优化可变基的非线性预测函数控制

针对基本预测函数控制只能用于线性系统控制的这一不足,给出基于实用随机NARMAX模型的非线性预测函数控制,采用可克服算法病态的非线性递推最小二乘法进行参数估计,利用在工作点处的动态切平面逼近方法,将实用随机NARMAX模型用线性时变CARMAX模型逼近,使非线性预测函数控制转化为线性模型下的预测函数控制,用线性优化算法求解控制输入,避免了复杂的非线性优化问题,并采用直接极小化指标函数优化算法对可变基函数的加权系数进行在线优化,提出在线优化参数的非线性预测函数控制。仿真研究表明,因算法具有优化可变基函数加权系数和预测函数控制功能,系统具有优良的控制响应。

改进径向基函数插值法的多聚焦图像滤波融合

由于受到拍摄设备、光学镜头景深以及噪声等不同因素的影响,多聚焦图像往往存在边缘弱化问题。为了使多聚焦图像更加清晰,提出基于改进径向基函数插值法的多聚焦图像滤波融合方法。通过能量函数计算图像边缘细节估计误差,建立空间同性误差准则,去除图像边缘噪声,实行滤波保护。利用径向基函数各层网络建立多聚焦图像抑噪模型,减少图像的噪声污染。通过非线性函数恢复像素,在图像空间坐标下分离图像纹理、清晰程度和图像局部特征,提取图像高频信息。利用径向基函数插值引导高频信息,在决策引导下实现图像滤波融合。经过实验证明,所提方法的多聚焦图像融合效果较好,减少了残余噪声,能够实现图像去噪和边缘特征保护,清晰度较高,图像结构性相似度高。

基于径向基函数的配电网不平衡线损预测方法

为解决因不平衡电量分配而造成的配电网线损率过大的问题,设计基于径向基函数的配电网不平衡线损预测方法。根据径向基函数表达式,确定电压径流指标、电流径流指标的具体数值,统计配电网电量径流。根据统计结果定义电信号缺失数据,依据所得数值的时空分布特征控制异常值参量的实际求解范围,实现对配电网不平衡线损的预测。实验结果表明,在径向基函数的作用下,有功功率做功量超过了电信号做功总量的90%,能够较好地解决因不平衡电量分配而造成的配电网线损率过大的问题。

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。

基于拟Legendre多项式求解Klein-Gordon方程的数值方法

利用拟Legendre多项式算法研究一类Klein-Gordon方程的数值解法.首先利用拟Legendre多项式逼近未知函数;其次推导出未知函数的微分算子矩阵,再将所求解的偏微分方程离散化为易于求解的代数方程组;最后通过最小二乘法求得数值解.文章给出数值算例来验证所提算法的有效性和高效性,尤其是对于线性的问题,具有更好的逼近效果.