基于自适应遗传算法的RBF神经网络优化算法

针对传统遗传算法收敛速度慢的缺点,本文将改进后的遗传算法应用于RBF神经网络,对隐层中心和宽度值进行同步优化,并在复杂非线性函数的逼近实验中证明了本文算法相比传统遗传算法在搜索全局最小点的速度上得到了很大提高.

基于改进遗传算法的单神经元自适应PID控制

单神经元自适应PID控制器不但结构简单,而且能够适应环境变化,有较强的鲁棒性。本文基于生物进化机制提出一种改进遗传算法,并给出算法的详细步骤。该算法在交叉、变异操作以前对亲和度较低的个体进行替换操作,改善了算法的收敛性能。在函数寻优的实验中验证了算法的有效性。最后将算法应用于神经网络的突触权值寻优,通过突触权值的调整来自适应地实现PID的比例、积分和微分系数的可调节控制,仿真对比结果表明了该算法的优越性。

基于递阶遗传算法的RBF神经元网络板形板厚综合控制

该文首先用递阶遗传算法 (HGA)设计RBF神经网络 ,不仅可以同时确定网络参数 (连接权、隐节点中心和宽度 ) ,而且解决了网络拓扑结构的优化训练问题 ;而后针对板带材轧制是一个复杂的非线性过程 ,板形控制 (AFC)和板厚控制 (AGC)又是相互耦合的一个综合系统等特点 ,建立了基于过程最优的权值在线自学习算法的RBF神经元网络的板形板厚多变量综合控制系统。仿真结果证明了此AFC -AGC控制系统具有良好的自适应跟随和抗扰性能 ,其控制效果优于传统的解耦PID控制。

基于改进遗传算法的单神经元自适应PID控制器

针对现有单个神经元的自适应PID控制器和遗传算法存在的不足 ,提出一种改进的遗传算法 ,并将其应用于单神经元自适应PID控制器中。该方法采用实数编码 ,模糊大变异操作 ,是为了提高收敛速度。仿真结果表明 ,基于改进遗传算法的单神经元自适应PID控制器不仅具有良好的控制性能 。

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。

一种基于改进遗传算法的单神经元控制方法

为实现在实际的炉群多变量燃烧系统中,对各个燃烧的子系统的控制参数进行优化,提出了一种基于改进适应度函数的遗传单神经元控制算法,该算法克服了采用神经网络方法收敛速度慢、在求解过程中陷入局部极小点等缺点,利用遗传算法的全局寻优特性和神经网络对非线性函数较强的逼近能力,将改进的遗传算法和单神经元控制相结合,实现对一类非线性系统的参数进行优化。模拟实验和真实结果验证了这种方法是可行的。

一种基于实时遗传算法的神经元控制

遗传算法是一种并行、全局优化的有效方法。由于遗传算法的进化过程缓慢,通常使用于离线,很难用于在线的实时优化和控制。该文对遗传算法进行了改进,提出了一种实时遗传算法在线自适应调整神经元增益的控制方法,并对造纸过程的定量水分控制进行了仿真实验,结果表明了该方法的有效性。

多层RBF网络的自适应遗传算法及其在实函数逼近中的应用

将自适应遗传算法应用于多层RBF神经网络的学习,对隐层核函数的中心和宽度值进行同时优化,并用正则最小二乘法求权重,以完成网络的构建。应用该学习法进行实函数的逼近,实验证明了该算法比多层RBF网络的聚类学习法具有更高的实函数逼近精度。

用遗传算法改进的RBF神经网络在语音识别系统中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用遗传算法的全局搜索性能,将遗传算法用于RBF网络的训练过程。由于简单遗传算法存在收敛速度慢及不能收敛到全局最优解等不足,引入自然数编码的自适应遗传算法,加快网络的训练速度。将该算法应用到语音识别系统中,实验结果表明:使用该方法的识别结果优于使用K-均值聚类算法选取质心的RBF网络的识别结果。

改进遗传算法的RBF神经网络控制研究

RBF(径向基函数)神经网络是一种具有全局逼近性能的三层前馈网络,但RBF学习一直存在隐节点的中心选择不合理、训练时间长等问题,针对RBF神经网络存在的问题,提出一种通过改进遗传算法优基函数中心c、宽度b和权值w的方法。该方法选取均方误差函数E作为个体适应值,在传统遗传算法的基础上改进了交叉率和变异率的选取,使个体的变异同时受进化代数和适应度的约束,实现对c、b和网络权值的优化。通过系统辨识仿真分析,证明了该方法的可行性和有效性,使系统具有更好的性能。

基于遗传算法的RBF网络及应用

本文采用遗传算法优化了ＲＢＰ神经网络，讨论了用一种新颖的方式对ＲＢＦ进行编码，提出了以权重为因子的适应度函数。将优化后的 ＲＢＦ神经网络用于泛函逼近和对新疆雅马渡站的年径流量进行预测，证明期有效性。

基于改进遗传算法的模糊神经网络控制

针对常规遗传算法的缺陷,提出了一种依据新的种群"早熟"程度评价指标和自适应调整算法参数的遗传算法,并以单级倒立摆为被控对象,采用基于改进遗传算法的RBF模糊神经网络控制器进行了仿真研究。仿真结果表明,改进的遗传算法是有效的,新型模糊神经网络控制器的控制效果优于FLC和LQR控制。

基于改进层次遗传算法优化的神经网络信道均衡器

层次遗传算法的性能与评价个体进化优劣的适应度函数密切相关,对适应度函数的参数进行了研究,提出了依据信道零点和单位圆之间距离设定参数值的新方法,降低了函数复杂度,减少了人为因素影响,提高了算法确定RBF神经网络均衡器结构的效率及性能。仿真结果验证了算法的有效性和稳定性。

基于RBF神经元网络的漂浮基空间机械臂关节运动自适应控制方法

讨论了载体位置、姿态均不受控制情况下,漂浮基空间机械臂关节运动的控制问题。由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了漂浮基空间机械臂完全能控形式的系统动力学方程。以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对漂浮基空间机械臂进行了神经网络系统建模;针对空间机械臂系统所有惯性参数均未知的情况,设计了漂浮基空间机械臂关节运动的自适应神经网络控制方案。提出的控制方案不要求系统动力学方程具有通常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,此外,由于充分利用了空间机械臂的系统动力学特性,因此在控制过程中不需要反馈、测量漂浮基的位置、移动速度、移动加速度以及姿态转角的角速度、角加速度。一个平面两杆漂浮基空间机械臂的系统数值仿真证实了该方案的有效性。

自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制

讨论了自由漂浮双臂空间机器人关节运动的控制问题。由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了自由漂浮双臂空间机器人完全能控形式的系统动力学方程。以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对自由漂浮双臂空间机器人进行了神经网络系统建模;之后针对双臂空间机器人系统所有惯性参数均未知的情况,设计了自由漂浮双臂空间机器人基于RBF神经元网络的关节运动自适应控制方案。提出的控制方案不要求系统动力学方程具有惯常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,所以更适于实时、在线应用。系统数值仿真证实了该控制方案的有效性。

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.

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand,COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function,RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm,AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.

基于RBF的单神经元自适应PID控制在单螺杆挤出机中的应用

在塑料挤出生产行业,单螺杆挤出机的应用非常广泛。对于精密挤出行业,挤出机的速度调节对于整个生产的质量有着重要影响,传统的挤出机速度控制通常采用PID算法实现。文章介绍了通过基于RBF的单神经元自适应PID控制实现了挤出机速度控制的精度高,动态特性好,具有较好的自适应性和鲁棒性等特点。

基于RBF网络监督和单神经元自适应控制器

RBF神经网络是一种3层前向局部逼近的神经网络,因而采用RBF网络可大大加快学习速度并避免局部极小问题,适合于实时控制的要求。将RBF网络监督与单神经元自适应结合组成控制算法,成为新的控制结构RBF-单神经元控制器,经过与RBF网络监督PI控制结果的比较,得出RBF-单神经元控制响应更快误差更小等优点。根据需要RBF-单神经元控制器可以变成单纯的神经元控制器,提高了控制的灵活性。通过对伺服电机的角度控制仿真实验,验证了提出的方法可行性与可靠性。

基于遗传算法的自适应模糊控制器在热力系统中的应用

针对热力系统的非线性特性,采用RBF神经网络进行被控对象的动态特性模型辨识,设计了评价模糊控制器控制性能的FITAE指标;采用遗传算法优化模糊控制器参数,来优化比例因子和控制规则表,并采用二阶段优化策略:首先只优化比例因子,得到一组次优的模糊控制器参数;然后优化比例因子和控制规则表,得到优化的模糊控制器参数。