基于分解集成及不确定理论的碳价格预测

准确的碳市场价格预测是碳排放交易市场相关政策制定和碳金融发展的基础.为消除碳市场价格原始序列存在的非线性、非平稳性、高噪声性和不确定性,准确预测碳市场价格,论文将不确定理论、集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)和径向基神经网络(radial basis function,简称RBF)相结合,构建了碳市场价格预测模型,并将其应用于广东省碳市场价格预测.首先通过EEMD算法和fine-to-coarse方法对原始的碳市场价格数据进行分解和重构,得到具有不同变化规律的高频项和低频项,并将其代入RBF神经网络进行训练,然后采用不确定理论,对低频项的输出权重进行不确定性分析,对残差趋势项采用线性回归进行拟合,最后将3个子项的预测结果进行集成求和得到最终的碳市场价格预测值.实证结果表明无论是在均方根误差(root mean square error,简称RMSE)、平均绝对误差(mean absolute error,简称MAE)还是在平均绝对百分比误差(mean absolute percentage error,简称MAPE)指标方面,论文模型在碳市场价格预测方面都比其他预测模型更具优势,预测结果更准确.

基于D-S证据理论的农作物气候品质预测方法研究:以晚熟杂交柑橘春见为例

【目的】基于多源气象数据构建果实品质(糖含量等级)预测模型,为科学评价果实气候品质及深入挖掘农产品气候资源提供科学依据。【方法】以晚熟柑橘春见果实为研究对象,利用多源数据融合技术、人工神经网络(BP神经网络、RBF神经网络和Elman神经网络)和D-S证据理论,包括气象数据质量控制、特征选取、特征级融合、决策级融合4个步骤,构建基于多源气象数据的果实品质(糖含量等级)预测模型。【结果】春见果实品质预测模型采用BP神经网络预测结果总体准确率为87.50%,平均绝对误差(MAE)为0.150,均方根误差(RMSE)为0.447;RBF神经网络预测结果总体准确率为85.00%,MAE为0.175,RMSE为0.474;Elman神经网络预测结果总体准确率为87.50%,MAE为0.150,RMSE为0.447;D-S证据理论决策融合总体预测准确率达95.20%,分别较BP神经网络、RBF神经网络和Elman神经网络提升7.7百分点、10.2百分点和7.7百分点,MAE和RMSE分别为0.040和0.214,均明显降低。【结论】D-S证据理论决策融合后的果实品质预测准确率相比单一神经网络预测更高、误差更小。

基于自适应RBF神经网络具有模型不确定性的四旋翼无人机指定时间预设性能控制方法

四旋翼无人机具有强耦合和欠驱动的特点,在飞行过程中很容易受到外界干扰,进而影响整个无人机系统的稳定性和精度。为此,提出了一种基于RBF神经网络的指定时间预设性能约束控制策略。首先,针对四旋翼无人机的不确定数学模型难以精确建立,并且在执行任务过程中存在外部未知扰动问题,提出了一种基于指定时间预设性能控制方法,将四旋翼无人机的轨迹跟踪问题转换为对位置子系统和姿态子系统的期望指令跟踪问题;其次,在设计控制器过程中,为了解决“微分爆炸”问题产生的滤波器误差,引入一种新型滤波误差补偿方法,通过RBF神经网络逼近外部未知扰动,并将预测结果补偿给控制器以提高轨迹跟踪的鲁棒性。最后,应用仿真模拟方法验证无人机控制系统稳定性和性能优势,通过飞行试验验证,微风聚拢环境下实际飞行轨迹与仿真模拟结果趋于一致,自主轨迹跟踪起降位置偏差小于1 cm,证明了所提出算法的有效性。

基于RBF神经网络的光伏并网系统自适应等效建模方法

针对广义负荷建模中的光伏并网系统模型难以适应不同逆变器控制和频率扰动的动态响应问题,提出了一种基于径向基函数(radialbasisfunction,RBF)神经网络的光伏并网系统自适应等效建模方法。首先,建立了光伏并网逆变器不同控制策略响应波形的检测判据。然后,构建了以电压-频率扰动为输入,有功功率和无功功率为输出的光伏并网系统RBF神经网络模型。最后,在Matlab/Simulink中搭建了光伏并网系统模型,并将其接入IEEE14节点配电网进行仿真验证。结果表明,构建的光伏并网自适应等效模型能够有效辨识电压频率给定控制、有功无功给定控制、下垂控制策略类型,能够准确反映光伏并网系统在不同电压、频率扰动下的有功功率、无功功率的动态响应特性。

基于激光雷达的隧道轮廓三维点云重构与形变检测研究

为实现地铁隧道轮廓全面、高效、精准的数字化检测,提出一种基于三维点云的隧道形变检测方法。该方法通过相对定位算法将激光雷达获取的多周期隧道轮廓点云数据进行数据融合,利用地铁隧道建模算法对融合数据进行处理建立标准隧道轮廓模型,根据测量值与模型输出值对比结果完成形变检测。相对定位算法利用转速传感器与激光位移传感器获取的公里标与轨道特征数据实现对地铁隧道轮廓特征数据粗、细校准定位,以解决转速传感器定位误差较大导致的相同位置不同检测周期激光点云数据无法对齐融合的问题。地铁隧道建模算法基于径向基神经网络(RBFNN)对融合后点云数据进行多重训练并不断剔除大误差数据建立隧道普通内壁模型,结合聚类算法对被剔除数据训练建立隧道管线区域模型。研究结果表明:相对定位算法可实现多周期数据融合,相对定位误差小于10 cm;隧道建模算法利用点云数据可建立标准隧道模型实现隧道形变分析,形变分析误差小于10 mm,达到预期效果。

基于先验知识的弓网接触电阻预测模型精度提升方法

高速列车的运行实践表明,随着运行速度提高,受电弓与接触导线分离的可能性越大,越容易产生弓网电弧。导致电弧产生的因素很多,但最终都归结到滑板与接触网的接触电阻上。首先利用滑动电接触实验机,研究了波动载荷、滑动速度和接触电流对接触电阻的影响,并进一步结合表面形貌特征,分析了磨损机制、电弧放电与接触电阻演变规律之间的关系。其次为了预测不同工况下的接触电阻,建立了径向基(RBF)神经网络回归模型,通过在模型训练中融入先验知识和采用改进的食肉植物优化算法(ICPA)优化RBF神经网络超参数,提升弓网接触电阻预测模型的精度。有、无先验知识的ICPA-RBF模型预测性能对比仿真结果表明,两类先验知识分别有助于提高模型的收敛速度和预测精度。最后采用假设检验验证了模型的有效性。

混合动力汽车能量管理策略研究

针对混合动力汽车能源管理策略中能量分布不合理的现象,同时降低混合动力汽车的能耗和电池寿命衰减率,在动力系统结构的基础上,提出了一种将RBF神经网络和动态规划方法相结合用于混合动力汽车的能量管理策略。RBF神经网络用于在预测时域中预测车速,获得预测时域中的车辆需求扭矩,动态规划方法用于优化求解预测时域,实现合理分配发动机和电机扭矩。通过仿真与传统能源管理策略进行比较,验证了该方法的优越性和准确性。实验结果表明,与传统策略相比,提出的能源管理策略可以显著提高燃油经济性,降低能耗15.47%,具有实际应用潜力。

基于自适应非奇异终端滑模自抗扰的ROV控制

ROV浮游工作时由于存在系统模型不确定性和环境干扰导致跟踪效果不佳的问题,因此,提出一种参数变化的非奇异终端滑模自抗扰控制方法;首先,建立ROV的动力学模型;其次,利用非奇异终端滑模控制器代替了传统线性自抗扰的线性控制器,提高了系统的控制性能和抗干扰能力,考虑到引入参数过多问题利用梯度下降的RBF神经网络调整趋近率系数,通过李雅普诺夫定理证明了该系统的稳定性;最后,通过轨迹跟踪仿真实验与线性自抗扰对比,提高了系统响应过程的快速性和平稳性。

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GA的RBF神经网络气液两相流持液率预测模型优化

为了提高气液两相流持液率预测精度,针对传统径向基函数(RBF)神经网络预测气液两相流持液率网络拓扑结构困难和收敛速度慢等问题,提出一种基于遗传算法(GA)优化径向基函数神经网络的气液两相流持液率预测模型。通过系统聚类算法和灰色关联度分析(GRA)对收集的实验数据进行处理,优选出最优模型特征,同时结合遗传算法确定了RBF神经网络结构参数。基于室内实验数据进行训练,并与常用于持液率预测的反向传播(BP)神经网络、GA-BP神经网络及RBF神经网络进行对比,评估了模型的准确性及可行性。结果表明:GA-RBF神经网络模型均方误差为0.0017,均方根误差为0.0416,平均绝对误差为0.0281,拟合度为0.9483。相较于其他神经网络模型,该预测模型表现出更高的计算精度和更强的泛化能力。

基于RBF网络的足球点球轨迹预测

基于计算机视觉线性化轨迹预测模型在预测足球轨迹时,只能保证局部稳定性,存在轨迹跟踪局部稳定性问题和parking问题,提出了基于RBF网络的足球点球轨迹预测方法。建立足球运动状态传感信号解析模型,计算足球飞行地心重力、空气阻力、空气浮力、自身旋转时产生的马格努斯力的参数。建立足球飞行过程中的飞行受力解析模型,鉴于多参数模型复杂度过高,产生parking问题。利用RBF网络模型简化能力,建立飞行轨迹预测模型,结合并行滤波控制器,融合以上所有信息,在已知视觉概率计算的基础上,完成足球飞行轨迹的状态估计,并将其误差的协方差计算作为滤波控制的输入值,从而得到所有方差、均值的数据。最后获得足球在任意时刻的运动状态函数,完成预测。实验结果显示,该方法的足球运行轨迹吻合度为12 mm,且落点距离标准差最大仅为0.0412 m,因此,该预测方法能够得到精度更高的预测数据。

不同冲突情境下老年驾驶人焦虑水平预测分析

为研究冲突情景下老年驾驶人的焦虑水平,利用量表量化老年驾驶人焦虑程度,通过搭建冲突交叉口道路虚拟场景,采集不同冲突情境下老年驾驶人的驾驶行为数据。运用Spearman相关性分析法,筛选出与老年驾驶人焦虑水平相关的影响因子,基于径向基函数(RBF)神经网络和BP神经网络分别建立老年驾驶人焦虑水平预测模型,并对比2种模型的预测性能。研究结果表明:不同冲突情境下,老年驾驶人的年龄、驾龄、制动踏板深度、方向盘转角熵、冲突严重度等级与焦虑水平成显著正相关关系,速度与焦虑水平呈显著负相关关系;基于RBF神经网络的老年驾驶人焦虑模型的预测准确率为87.14%,精确率为88.24%,召回率为68.18%,F_(1)值为76.92%。基于BP神经网络的老年驾驶人焦虑模型的预测准确率为92.86%,精确率为90.48%,召回率为83.36%,F_(1)值为88.37%。2种模型均能够较好地预测老年驾驶人的焦虑水平,且基于BP神经网络的老年驾驶人焦虑预测模型预测性能更优。研究结果可为正确识别老年驾驶人的焦虑水平提供一定的理论基础,对于创造安全高效的驾驶具有重要意义。

基于RBF神经网络滑模控制的卷纸纠偏系统

设计了采用RBF神经网络控制的伺服纠偏控制系统,通过建立其动力学模型,运用MATLAB/Simulink仿真软件仿真,并进行实验验证,分析系统动态性能,得到响应曲线。结果表明,在拉纸速度65 mm/s下,跑偏量从1.5 mm降低到0.55 mm,该伺服系统位移和速度跟踪误差均较小。

智能汽车轨迹跟踪MPC-RBF-SMC协同控制策略研究

针对自动驾驶车辆行驶过程中模型失配以及外部环境干扰导致车辆轨迹跟踪环节精确性不高的问题,提出了一种结合车辆运动学模型预测控制(MPC)、径向基(RBF)神经网络和滑模控制(SMC)的轨迹跟踪控制策略。通过建立车辆运动学MPC模型计算当前状态车辆期望横摆角速度,并将其与实际横摆角速度的偏差输入RBF-SMC控制器,利用RBF快速逼近非线性模型的特点,结合滑模控制输出前轮转角,实现车辆的横向轨迹跟踪控制。仿真结果表明,与传统的控制器相比,该方法轨迹跟踪精度显著提高,并在不同行驶工况下表现出较好的鲁棒性。

基于MI-PSO-RBF神经网络的铁路客货运量预测研究

准确地预测铁路客货运量对合理配置运输资源、提高铁路客货运组织工作效率有重要作用。为提高铁路客货运量的预测精度,提出一种基于MI-PSO-RBF神经网络的客货运量组合预测模型。本研究对铁路客货运量的影响因素及其内在关联进行分析,选取相关指标,利用互信息素法对指标进行筛选,构建影响因素指标体系。基于该指标体系,运用粒子群算法优化的RBF神经网络模型分别对铁路客货运量进行预测,并与传统的BP神经网络、RBF神经网络预测模型进行比较。结果显示,经过参数调整优化后的MI-PSO-RBF神经网络在铁路客运量及货运量的预测精度方面表现最佳,测试集R2分别达到了0.9481与0.9911,具有较高的精度及泛化能力,表明该组合预测模型能够进一步提升神经网络模型预测铁路客货运量精确度。

故障检测与重构下基于AFTSMO的ROV三维航迹跟踪控制

针对传统的滑模观测器在缆控水下机器人(ROV)系统状态估计与故障重构过程中存在渐近收敛、无法及时准确重构故障信号的问题,提出一种基于自适应快速终端滑模观测器(adaptive fast terminal sliding mode observer)的故障检测和控制优化方法。建立带有推进器故障、未知外界干扰和模型参数不确定性等复合干扰的ROV系统故障模型;设计具有自适应特性的快速终端滑模控制器,保证所有的状态估计误差在有限时间内收敛;通过等效输出误差注入法对推进器引起的故障进行估计重构。采用Lyapunov稳定性理论验证控制系统的稳定性,仿真结果表明,所设计的故障检测方法能够快速检测和重构故障,保证ROV系统较高的跟踪精度,并通过实验验证了所提算法的有效性。

基于双环自适应滑模控制的高速列车运行追踪

针对列车高速运行跟踪控制问题,提出了一种基于双环结构的RBF神经网络自适应滑模控制算法。首先系统结构分为位移与速度控制子系统,防止列车因单个控制器故障而失控;在此基础上采用积分滑模控制,加强控制器的鲁棒性;同时在速度子系统中引入参数自适应算法与RBF神经网络自适应算法削弱列车受到基本阻力、附加阻力以及不确定性阻力带来的影响;最后通过Lyapunov稳定性分析证明系统的稳定性。通过仿真实验结果表明,位移误差在[-3.3×10^(-4),1.9×10^(-4)]范围以内,速度误差在[-2.1×10^(-2),3.1×10^(-2)]范围以内,该算法可以实现对列车的速度与位移精确追踪。

基于改进残差网络的抽油机故障诊断研究

针对抽油机故障诊断的传统图像识别方法识别率高但速率较慢,或训练速度适宜但识别率较低等问题,提出一种基于改进残差网络模型的示功图图像识别算法。改进策略包括替换模型第1层卷积核,由更小卷积核代替;改变残差模块排列顺序;将传统ResNet50(残差网络)模型的全连接层替换成径向基函数(RBF:Radial Basis Function)网络作为额外的分类器;采用数据增强方式对数据集进行扩充,并利用迁移学习在改进的ResNet50-RBF模型得到ImageNet上预训练好的权重参数后进行训练。实验结果表明,改进的模型在示功图识别中得到了98.86%的准确率,与其他网络相比,鲁棒性进一步加强,并且速率得到一定提升,为抽油机故障诊断提供了一定参考。

Duffing-Holmes型振子混沌系统的控制

对Duffing-Holmes型振子混沌系统进行动力学分析,发现其内部蕴含着丰富的动力学特性,在适当的参数取值下会体现出混沌系统的特性.采用自适应控制方法对Duffing-Holmes型振子混沌系统进行控制,利用RBF神经网络逼近系统模型中的非线性项,通过设计合适的控制器和参数自适应律,从理论上对此受控系统进行了稳定性分析,并进行系统数值仿真,受控系统变量能够在很短时间内跟踪期望目标值.而且和采用输入-状态线性化控制方法及基于RBF神经网络逼近非线性项的滑模控制方法相比较,具有快速性更好、稳定性更高的特点.

机床直线同步电机理想控制器设计及仿真分析

将非线性磁悬浮系统作为研究对象,建立合适的误差函数,在逼近过程中合理利用RBF神经网络,制定自适应律,该控制方法能够大大加强整个系统的抗干扰性。并开展仿真研究。突加负载下,NNDAC控制恢复所需的时间为0.068、动态降落为1.2×10^(-5)m;相较于SMC和PID控制恢复速度依次提升38.2%、77.3%,动态降落依次下降64.7%、76%NNDAC有效降低悬浮高度的变化幅度,增强其抗干扰性。模拟端部效应扰动下,NNDAC控制曲线几乎没有任何波动,且相较于SMC和PID控制其动态降落分别减小85.7%与95%,NNDAC控制有利于平缓气隙高度的波动,加强系统的抗干扰性。