基于RBF神经网络模型对污泥减量优化的研究

研究了温度、pH值、反应时间、高铁酸钾投加量等因素对污泥溶胞效果和分解效果的影响,并通过建立RBF神经网络模型对实验进行优化。研究结果表明,温度为60℃、反应时间为2~4 h、pH值为12、高铁酸钾投加量5.5mg/(gSS)的条件下,污泥减量处理效果显著且较为经济。此外,RBF神经网络模型计算的污泥溶胞率、污泥分解率值与实验得出的结果,两者相对误差均小于5%,验证了该模型的良好拟合性。

基于RBF神经网络模型的数控车床主轴箱优化设计

针对复杂机床结构优化中,通常难以获得设计变量与性能目标之间显式函数关系式的问题,提出了一种基于RBF神经网络模型和组合优化策略的结构优化设计方法。以某型精密数控车床主轴箱为研究对象,通过有限元软件ANSYS Workbench和多学科优化软件Isight联合仿真技术对主轴箱设计尺寸进行最优拉丁超立方实验设计和灵敏度分析,根据实验样本点构建RBF神经网络模型代替主轴箱有限元模型。采用多岛遗传算法(MIGA)和序列二次规划法(NLPQL)相结合的组合优化策略,对RBF神经网络模型进行优化设计。优化结果表明,在保证主轴箱静动态性能的前提下,质量减轻12.89%,达到了预期的效果。

基于LMD-RBF神经网络模型的大坝变形预测

大坝在运营过程中由于受多种外界环境影响,表现出一种非线性、非稳定性变形特征。为了从大坝变形监测数据中有效提取变形规律,提高大坝变形的预测精度,本文在RBF(Radial Basis Function)神经网络模型的基础上,结合局部均值分解(LMD,Local Mean Decomposition)技术在对非线性、非平稳性信号分解中的优势,提出了一种LMD-RBF神经网络预测模型。该组合预测模型实现变形预测的步骤为:首先对变形监测数据进行LMD分解得到若干个PF(Product Function)分量以及余量;其次,使用RBF神经网络模型对各分量与余量进行预测得到各分量与余量预测值;最后,重构各分量与余量预测值得到最终预测结果。将本文提出的LMD-RBF神经网络模型应用于大坝变形预测中,结果表明,相比于BP(Back Propagation)神经网络模型与RBF神经网络模型,本文提出的组合预测模型的预测精度最高且稳定性最好,可为大坝等工程的变形预测提供思路与参考。

RBF神经网络模型在大坝变形分析中的应用

如今,水库大坝作为城市建设的主要基础设施,其安全问题受到越来越多人的关注,这也促使大坝安全监测工作越发重要。构建大坝变形分析的RBF神经网络并做好相应的预测,可有效提高模型预测的精度,还能更接近工程实际,具有极高的实用价值。针对此,本文围绕RBF神经网络模型进行了分析,对该模型在大坝变形分析中的应用进行了探讨。

基于改进RBF神经网络模型的气象能见度监测方法研究

气象能见度实时监测是确保气象预报贴近现实气象情况的重要组成部分,是高精确度气候预测技术手段中必不可少的环节。目前主要采用的方法为模糊识别和BP神经网络分析,在气象能见度监测方面效果并不理想。为此,提出了改进RBF神经网络模型的气象能见度监测方法,综合考虑了SO2,NO2两种气体,以及气温,气压,温度,湿度等因素采集方法,计算各因素的权重和相关系数后,在改进RBF神经网络模型的基础上确立了具体的监测方法,最后检验了两种气象能见度监测方法的准确性,新的能见度监测方法具有更高的准确性,在气象监测方面具有应用前景。

基于RBF神经网络模型的车门多目标轻量化设计

以某轻型客车车门为研究对象,在HyperMesh中建立有限元模型,对车门进行刚度和模态分析。以部分因子试验设计所得到的关键零件厚度为设计变量,采用哈默斯雷试验设计方法进行样本数据设计,使用RBF神经网络模型拟合车门质量、一阶模态频率、二阶模态频率、上扭转刚度、下扭转刚度、侧向弯曲刚度及下沉刚度响应的近似模型。在近似模型基础上,以车门质量最小和一阶模态频率最大为优化目标,以车门刚度和二阶模态频率为约束,应用多目标遗传算法进行优化设计,实现了车门轻量化最优目标。

基于层次分析与RBF神经网络模型的煤炭价格预测研究

本文基于煤炭供需数据资料,建立层次分析模型分析近期影响煤炭的重要因素,并根据秦皇岛近五年动力煤价格的波动,建立了RBF预测模型来预测不同时间与情形下的煤炭价格走向。同时,在分析了大量历史、地域、政策突发事件等不同因素的影响下,建议采取产业升级、限制进口煤输入量、加快技术革新、推动环境保护等方式有效稳定煤炭价格。

基于RBF神经网络模型和优劣解距离分析的复鞣填充工艺优化

使用正交设计、RBF神经网络模型、皮尔逊相关性分析和优劣解距离分析等4种统计学方法对皮革复鞣填充进行设计、拟合、分析与优化,并得出以下结论:RBF神经网络模型可很好地拟合制革复鞣填充过程,物理力学性能的均方误差<0.05;皮尔逊相关性分析则可揭示不同皮革化学品与物理力学性能的相关性和显著性,其中羊毛脂与物理力学性能呈现正相关的强显著性(p<0.05);结合RBF神经网络和优劣解距离分析可对全面实验进行预测和评价,从而得到最优解,理论最优解和实测值偏差<10%。

基于RBF神经网络模型的在线旅游供应商客户分类研究

采用某在线旅游供应商提供的客户信息数据作为研究样本,使用SPSS软件建立RBF神经网络模型,针对1016名会员数据进行径向基函数建模训练。结果表明,得到的模型针对白金会员和钻石会员群体的预测效果良好。运用训练好的模型针对166名非会员客户进行分类预测,筛选出有潜力成为为钻石会员的客户子集共57名,为企业营销提供了指导。

基于RBF神经网络模型动态矩阵预测控制的小麦着水系统设计和应用

在面粉厂的整个制粉工艺流程中,润麦后小麦的湿度值直接决定着面粉出粉率的高低。笔者将电动调节阀和着水绞笼作为小麦着水系统的广义非线性被控对象,分别进行模型分析。针对小麦着水系统具有的时滞性和非线性特性,采用基于RBF神经网络模型动态矩阵预测控制算法实现智能控制,控制器选用西门子S7-300 PLC,并在上位机监控中采用WINCC组态人机画面,用以实现现场监控和数据管理。仿真结果证明:该系统实现了用RBF神经网络对控制对象电动调节阀和着水绞笼的精准模型辨识和DMC对小麦着水系统的预测控制,解决了因控制对象具有时滞特性、非线性导致控制系统不稳定、精度不高等难题;同时,利用PLC、WICC实现了对系统的数据采集和远程控制;通过使用RBF NN DMC控制的小麦着水系统,面粉厂润麦湿度值的精准度、面粉生产合格率进一步提高,并且用水量大幅下降。

基于RBF神经网络模型的电厂锅炉燃烧过程低耗煤控制

针对传统控制方法在对电厂锅炉燃烧控制时,存在耗煤量高,影响电厂锅炉燃烧效率问题,开展基于RBF神经网络模型的电厂锅炉燃烧过程低耗煤控制方法设计研究。通过电厂锅炉燃烧过程低耗煤控制参数选择、基于RBF神经网络模型的控制目标优化、电厂锅炉燃烧控制补偿训练,提出一种全新的控制方法。通过对比实验证明,新的控制方法与传统控制方法相比耗煤量得到有效降低,进一步提高电厂锅炉燃烧效率。

基于RBF神经网络的水质参数预测模型研究

本文利用Matlab对非线性函数逼近精度较高的RBF神经网络建立预测模型,以1998-2017年乌梁素海TN、TP、COD浓度的年际变化为数据,划分数据集和训练集,训练得到TN、TP和COD的RBF神经网络预测模型,通过对TN、TP和COD真实值和训练值及真实值和预测值的对比分析可得出均方根误差相对较小,证明RBF神经网络模型对水质参数的预测精度相对较高。

基于RBF神经网络的改进模型在电离层TEC预报中的应用

为了提高电离层TEC值的预报精度,建立更高精度的电离层TEC预报模型,本文在RBF神经网络模型的基础上引入奇异谱分析(Singular Spectrum Analysis,SSA)方法,构建新的电离层TEC预报模型。该组合模型首先通过SSA提取原始序列中的特征分量,避免噪声分量对预报结果的影响,其次将去噪后特征分量作为RBF神经网络模型的输入值。使用IGS中心提供的TEC数据序列进行模型验证,结果表明,无论是对平静期电离层TEC预报还是磁暴期电离层TEC预报,相比于单一的RBF神经网络模型预报结果,本文提出的SSA-RBF神经网络模型的预报结果均更优,其中平静期预报残差在2 TECU以内,磁暴期预报残差在3—4 TECU以内,验证了本文提出组合模型的优越性。

基于神经网络算法的沥青路面使用性能组合预测模型研究

为了准确预测沥青路面使用性能变化规律,提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-RBF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题,采用主成分分析算法对路面使用性能影响因素进行了降维处理,利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明:组合预测模型PCA-GA-RBF的拟合优度R2=0.820,均方根误差S=2.645,比单一RBF神经网络预测模型误差降低了11.4%,平均预测准确率为84.13%;组合预测模型计算速率快、预测精度高、预测效果好。

基于RBF神经网络的活性污泥模型的应用(英文)

对 RBF 神经网络模型进行仿真,验证了活性污泥系统的有关规律,表明了模型的有效性.在此基础上,将模型应用于污水处理厂的运行管理和工程设计.在运行管理中分析了模型在预测和运行控制方面的作用和意义;在工程设计中,通过与传统方法比较,显示了在确定反应池容积上的有效性.通过实例,证明了模型在运行管理和工程设计上有效应用所产生的经济效益.

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3个数据、连续缺失3个数据和连续缺失5个数据情况下,平均百分比绝对误差分别为0.67%,0.66%和1.33%,修复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。

基于神经网络的预测模型的比较研究

随着经济预测、电力预测等各种预测的兴起,预测对各种领域的重要性开始显现。针对在建立预测模型时不能准确判别使用合适的神经网络,论文归纳了几种常用于预测的神经网络:BP神经网络、RBF神经网络、小波神经网络、组合神经网络,并总结了相应的优缺点,及其适用的预测范围。以某蓄电池厂近几年的销售量为例,检验各种预测模型的精度。预测结果显示,用单一预测模型进行预测时,因自身的局限,使其预测精度和稳定性不高。相比之下,组合预测模型更能有效提高预测精度,可以较充分的降低预测风险,保证预测结果的稳健性。

基于神经网络太阳能热泵系统模型简析

为进一步提高太阳能热泵系统的集热效率、降低能耗,建立了太阳能集热器RBF神经网络模型,同时建立了其他部件的仿真模型。根据建立的系统各部分模型,构建了太阳能热泵系统仿真模型,并以青岛市某建筑物为例进行了验证。结果表明,该模型及程序可行、有效。

RBF神经网络在邯郸市东武仕水库流量预报中的应用

运用RBF神经网络模型对东武仕水库进行了径流预报,以上一时刻的降雨和径流作为神经网络模型的输入,以径流量作为神经网络模型的输出。结果表明,这样的预测方法是非常有效的并且有着更高的精确度。因此,RBF神经网络模型是一个有效的、高精确度的预测径流的方法,可为水资源管理提供可靠的数据支持。

基于RBF神经网络组合模型的GNSS高程拟合

针对传统神经网络模型在GNSS高程拟合时存在的拟合精度不高、拟合方法模型单一及拟合结果受参数因子选取影响大等问题,提出一种改进的RBF神经网络组合模型,并使用不同地形数据对BP神经网络模型、RBF神经网络模型和改进RBF神经网络组合模型进行试验,采用拟合残差与外符合精度对3种模型的性能进行评估。结果表明,改进RBF神经网络组合模型可实现RBF神经网络模型中关键参数的优化选取,其拟合精度比BP神经网络模型和RBF神经网络模型的拟合精度更高,更适用于实际工程实践。