RBF网络基函数中心选取算法的研究

首先介绍RBF网络基函数中心的随机选取算法 ,然后研究自组织学习算法选取RBF基函数中心方法 ,最后给出一种最近邻聚类学习算法。通过系统辨识的实例仿真 。

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法 ,并设计了在线学习RBF神经网络的MARAC。通过仿真表明 ,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短。

一种基于RBF网络的模糊规则的动态生成算法

根据径向基函数(RBF)神经网络与T-S模糊系统内在的函数等价性,提出一种利用RBF网络快速自动生成模糊规则的方法。仿真结果表明该方法可以构成紧凑、高可靠性的模糊控制规则库,且具有相当快的收敛速度。

配电网拓扑结构相似度分析及自动规划算法研究

为满足用户的用电需求,提高配电网中的电能质量和供电可靠性。研究提出了一种基于拓扑结构相似度的配电网自动化多目标规划模型。首先利用TED对拓扑结构进行相似度计算,然后利用谱聚类算法对数据记性聚类分析选出典型拓扑结构,再通过归一化互相关匹配法(NNC)根据聚类结果计算得到Pareto前沿,最后从中选取电网规划的最优决策解。通过实验得到,研究构建模型的投资成本较其他模型降低33.1%;用户年均停电时间减少7%以上。分析实验结果可知,模型能够有效缩短用户的年均停电时间,在主干关键点实现有效分段,避免停电区域扩大。实现低成本,高质量的配电网自动规划。