水资源承载力综合评价的RBF神经网络模型

水资源承载能力与评价指标组成了一个复杂的非线性系统,综合评价的难点在于确定各评价指标的权值。本文利用径向基网络RBF函数逼近、模式识别和分类能力强以及学习速度快等特点,将其应用于水资源承载力评价。以内蒙古区域水资源承载力为例,对原始数据进行了归一化预处理,在水资源承载能力评价标准等级间随机内插构造足够数量的训练样本、检测样本及其目标输出,确立水资源承载能力评价等级界限,取得了良好的评价结果,对提高水资源承载能力评价的精度与客观性具有重要意义。

基于时空序列模型的RBF神经网络在河流水位预测中的应用

河流水位预测一直以来都是水文预报中研究的热点。河流水位变化不定,具有时间上和空间上的变化性、多维性、动态性和不确定性等,给水位预测带来了挑战。本文综合考虑河流水位时空信息,建立基于时空序列的RBF神经网络预测模型来预测河流水位。实验中预测了金沙江下游向家坝水文站的水位信息,并将实验结果与其他多种水位预测方法比较,实验结果显示基于时空序列的RBF神经网络模型在河流水位预测中具有较高精度,证明了方法的可行性。

基于组合优化算法的船舶信息风险评估

为避免船舶信息风险引发重大船舶航行事故,研究基于组合优化算法的船舶信息风险评估方法。选取通信、环境、管理、人为这4个方面因素共17个指标,构建船舶信息风险评估指标体系,将其作为径向基函数(RBF)神经网络输入层输入数据,经隐含层映射操作后,通过输出层输出评估到的船舶信息风险等级,采用结合模糊C均值聚类算法和遗传算法的组合优化算法,合理选取RBF神经网络隐含层中心向量并寻优获取最佳隐含层基函数宽度和权值向量,提升船舶信息风险评估效果。实验结果表明:该方法可有效评估多艘船舶的信息风险,并可依据评估结果获取何种因素导致船舶信息风险,提出针对性指导建议。

基于RBF神经网络的GPS对流层延迟插值模型

为提高对流层延迟的内插精度,构建了一种基于RBF神经网络的GPS对流层延迟内插模型。以安徽省电力系统6个CORS基站的坐标和对流层延迟作为建模数据,4个CORS基站的坐标和对流层延迟作为测试数据,验证了该模型的可靠性。试验表明:所提模型的对流层延迟插值精度可达毫米级。

基于神经网络的钻探事故类型判别模型研究

钻探孔内事故会造成严重的损失,若钻探设备能及时判断孔内事故类型,则可缩短事故处理时间,遏制事态发展。提出了一种基于神经网络的钻探事故类型判别模型。为了优选不同神经网络在事故类型判别时的正确率,在Matlab的nntool工具箱中分别构建了BP、RBF两种神经网络模型,将某矿区施工参数变化趋势作为输入参数,通过仿真试验发现,BP神经网络中表现最好的是LM、BR算法,RBF神经网络中表现最好的是PNN算法,三者准确率均可在90%以上,但BP神经网络容易陷入局部最优,性能不稳定,偶有判别错误的现象,而PNN神经网络无此局限,且不需要训练。通过对比,PNN算法更适用于事故类型判别模型建立。

无人平台水下机械手的模型逼近与高精度控制

针对海上无人装备水下作业过程对机械手的高精度控制要求,开展基于径向基函数(RBF)神经网络的水下机械手模型逼近与高精度控制问题研究。首先,基于拉格朗日建模方法,综合考虑水动力矩等影响因素,建立了水下机械手动力学模型,并给出了模型闭环稳定条件;然后,采用RBF神经网络对水下环境带来的不确定项进行模型逼近和补偿;最后,采用自适应滑模控制算法,对补偿后的机械手模型进行控制,实现了闭环系统的无静差控制。水下双关节机械手仿真试验验证了控制算法的收敛性和鲁棒性。

基于无规则模糊逻辑算法的通信设备振动控制研究

通信设备振动具有无规则性和逻辑模糊性特征,因此设计基于无规则模糊逻辑算法的通信设备振动控制方法。利用无规则模糊逻辑算法建立通信设备振动无规则模糊逻辑控制器,将振动信号和振动因素作为控制器输入,对振动信号和振动因素实施模糊化处理后,使用模糊推理方式得到振动信号综合模糊感觉强度,解析模糊感觉强度后获取通信设备振动模糊强度控制量。将模糊强度控制量输入到径向基(RBF)神经网络中,经过迭代输出反馈补偿误差,利用该误差校正模糊强度控制量后实现振动控制。实验结果表明,该方法推理的通信设备振动模糊感觉强度置信度最大为1.0,具备较强的模糊推理能力。该方法可有效控制通信交换机振动情况,控制成功率高,时间复杂度低,应用效果好。

基于经验贝叶斯克里金的微尺度植烟田土壤有机质空间变异性

【目的】为了在优质烟田间栽培中更好地实施精确定位施肥,需要准确掌握植烟田土壤养分的空间分布信息。【方法】本文根据地统计理论,采用经验贝叶斯克里金方法分析河南省内乡县一长期植烟田土壤有机质含量的空间变异性,并与径向基函数神经网络插值法、普通克里格插值法进行预测精度比较。【结果】研究区植烟田土壤有机质含量处在最适宜范围内,其平均值为14.81 g·kg^-1,变异系数为13.74%,表现为中等程度变异性。植烟田土壤有机质含量存在半方差结构,其半方差函数最优拟合模型是指数模型。而且表现出较强的空间相关性。在插值和预测方面,EBK经验贝叶斯法除了明显优于普通克里金插值法以外,还优于RBF神经网络插值法。【结论】在微尺度条件下,采用以坐标和邻近样点为输入的经验贝叶斯克里金方法,来分析植烟田土壤有机质含量的空间变异性,可以达到快速便捷、精度更高的效果。

基于PCMRA神经网络补偿算法的瓦斯涌出量预测

为了克服自变量之间的多重共线问题,提高多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合,提出了主成分多元回归分析(PCMRA)模型。利用RBF神经网络对主成分回归分析残差进行拟合预测,最后利用残差预测值对主成分回归分析预测值进行补偿。结果表明:利用RBF神经网络对主成分回归模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。

几种机器学习方法在人脸识别中的性能比较

BP神经网络、RBF神经网络、支持向量机(SVM)和集成学习是目前应用最为广泛的四种机器学习方法。将这四种常用的机器学习方法分别应用于人脸识别,并利用ORL人脸图像库对各学习方法性能进行了测试和评估。测试结果表明SVM和集成学习在实验中取得了较好的性能,最适合用于人脸识别中特征分类器。

基于粒子群优化与SVR-ADLA算法的MIMO系统识别研究

针对现有基于径向基函数(RBF)网络对多输入多输出(MIMO)系统识别中存在收敛速度慢、系统识别稳定性不高的问题,提出了一种新的MIMO系统识别方法:采用支持向量回归(SVR)算法建立RBF网络初始化结构,确定初始化网络参数;采用退火动力学习(ADL)算法对系统识别网络进行训练,在训练过程中采用粒子群优化(PSO)迭代算法选出最佳学习率组合,使识别网络实现对MIMO系统的识别。对一个两输入输出系统进行了识别仿真,仿真结果表明,用该识别方法重建的识别系统性能优于目前RBF网络参数优化过程中常用的最小平方算法或梯度下降法算法。RBF网络识别系统易于实现,在MIMO系统识别中具有广泛的应用前景。

水力发电机组的模糊神经网络参数自整定PID控制及仿真

为适应水电机组的复杂工况和高指标的控制要求,提出了一种水力发电机组的模糊神经网络参数自整定PID控制系统,即利用多层神经网络构建模糊自适应PID控制算法,通过神经网络自学习能力在线提取模糊控制规则,优化控制器隶属度函数,根据不同时刻的误差e和误差变化ec,利用模糊逻辑控制,在线自整定PID参数,进一步完善了PID控制器的性能,提高了系统的控制精度。仿真实验表明:该控制器明显地改善了控制系统的动态性能,能使系统达到满意的控制效果,对进一步应用研究具有参考价值。

风力机智能叶片颤振建模及主动控制仿真

以带有尾缘襟翼的NREL 5 MW参考风力机为研究对象,综合考虑非定常气动力、气动阻尼和弯扭耦合等因素,建立了改进的智能叶片气弹模型,并与FAST平台进行仿真对比。基于径向基函数(RBF)神经网络自适应比例、积分、微分(PID)方法设计了尾缘襟翼主动控制器,在标准湍流风况下对叶尖偏移量进行仿真控制。结果表明:改进气弹模型的准确度较高;尾缘襟翼主动控制方法可有效减小叶尖偏移量的波动。

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法。径向基函数神经网络的输出是刀具磨损的具体值 ,这样有利于对刀具磨损进行各种实时补偿。实验表明 ,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控 ,能够取得良好的效果。

基于智能分析的供水管网浊度模拟研究

在分析国内外供水管网水质研究现状的基础上,对管网水的浊度特性及演变规律进行了深入研究,总结了饮用水浊度指标在管网中的变化规律,并据此筛选出对管网水浊度变化影响较大的三方面因素,即流速、水龄、总铁含量.在对主要因素进行连续监测的基础上,运用MATLAB分别构建BP和RBF神经网络模型对管网水浊度进行模拟分析,结果表明模拟值与实测值吻合良好,RBF神经网络的非线性逼近能力更强,预测精度更高.

地区电网日负荷特性分析及预测方法研究

夏季负荷波动大,预测难度较大。如何提高日负荷预测精度,成为调度部门迫切需要解决的一项重要任务。为有效提高夏季日负荷预测精度,对成都电网日负荷特性进行了深入研究。借鉴电力系统分析中的标幺制理论,将日负荷曲线解析为标幺负荷曲线与最大负荷。针对两者不同的变化特征和影响因素,分别引入与之匹配的自适应指数平滑法和基于模糊聚类的径向基函数(RBF)神经网络法,为负荷预测精度的提高提供了有效的解决途径。实例计算证明,该方法可获得理想的预测效果,能为调度部门提供负荷预测的决策依据。

RBF神经网络在时间序列预测问题中基于POD的中心选择方法

基于POD的中心选择方法是用来显示神经网络的选择中心,这个选择中心是在非线性时间序列中,基于径向基函数(RBF)的.这种方法利用时间序列数据的时间序列特征,使中心选择以一种平行的方式被执行,通过对一个基准问题和两个预期库存定向的模拟声明,在预期非线性时间序列中能够有效应用.