基于CFSFDP-RBF神经网络的加拿大区域气候预测

南极冰川融化、飓风不断增加、海平面逐渐上涨等现象的出现,使人们意识到全球气候变暖给人类生存带来的极大的挑战,针对全球变暖引起的气温变化不定问题,为了准确预测气温变化情况,以加拿大部分地区为例,通过对加拿大10个省份数据预处理,最终选取四个数据保留较完整的省份数据。对此提出了一种改进径向基(RBF)神经网络气候预测模型。该模型采用密度峰值快速聚类(CFSFDP)算法和自适应矩估计(Adam)对RBF神经网络进行优化,首先利用CFSFDP算法聚类出中心簇来确定RBF神经网络径基中心,避免随机选择带来的误差。再利用Adam算法对目标函数进行迭代微分,调整权值,同时自适应地改变学习率,提高预测准确性。针对模型的准确性检验,通过与BP神经网络、RBF神经网络、K-means优化RBF神经网络及论文算法进行对比实验发现本模型具有较高的准确率。针对结果的准确性检验,分别利用改进整合移动平均自回归模型(ARIMA)、向量自回归模型(VAR)与CFSFDP-RBF神经网络算法对气候进行预测,三种模型的结果均得到相似结论,表明该算法预测结果可信。实验结果表明,未来25年平均气温达到15.0470℃,未来25年平均降水量达到2.0984 mm,预测准确率达95%以上。

基于自适应小波神经网络的复杂系统模式识别方法

针对传统神经网络应用于复杂系统建模和辨识中存在的训练效率、精度瓶颈问题,提出了一种自适应小波神经网络方法(adaptive wavelet neural network,AWNN).首先,通过设计自适应层、综合层,使神经网络能根据待处理的系统的样本数据特征自适应工作于最佳工作区间;然后,通过将小波分析方法与对经典的基于误差反向传播算法的神经网络(back propagation neural network,BPNN)、径向基神经网络(radical basis function neural network,RBFNN)结合,保留了上述方法的优点,克服了传统神经网络方法各自的问题;最后,通过对BPNN、RBFNN和AWNN方法进行计算机仿真实验,验证了各算法的可行性、可达性和算法参数特性.实验结果表明:AWNN方法具有更快的收敛速度、更高的精度和更好的鲁棒性.

机械臂轨迹跟踪控制——基于EC-RBF神经网络的机械臂模型参考自适应控制

针对机械臂运动轨迹控制中存在的跟踪精度不高的问题,采用了一种基于EC-RBF神经网络的模型参考自适应控制方案对机械臂进行模型辨识与轨迹跟踪控制。该方案采用了两个RBF神经网络,运用EC-RBF学习算法,采用离线与在线相结合的方法来训练神经网络,一个用来实现对机械臂进行模型辨识,一个用来实现对机械臂轨迹跟踪控制。对二自由度机械臂进行仿真,结果表明,使用该控制方案对机械臂进行轨迹跟踪控制具有较高的控制精度,且因采用EC-RBF学习算法使网络具有更快的训练速度,从而使得控制过程较迅速。

公平关切下的供应链产销协同自适应协商策略

为消解供应链产销协同计划冲突,提出一种多Agent自适应协商方法。在单个制造商Agent和多个销售商Agent协商情景下,考虑Agent的公平关切行为,采用不公平厌恶模型,通过径向基函数神经网络优化Actor-Critic学习算法,预测并调整双方Agent的让步幅度,提出自适应策略。在不同销售商Agent数量及关切程度下进行对比实验,结果表明,该方法增强了Agent的自学习和自适应能力,克服了学习效率慢且忽视公平关切行为的缺点,可实现缩短协商时间和提高冲突消解效率的目的。

一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计

研究一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计，其系统中的不确定时滞项不是简单的线性有界条件，而是允许其存在高阶项，因此具有全局特性．在控制器的设计上；首先通过选取合适的径向基函数（RBF）神经网络的权向量去逼近时滞系统中的未知连续有界部分；然后在RBF神经网络输出的基础上，选用一个鲁棒自适应控制器来趋近时滞系统的不确定部分；同时，利用Lyapunov稳定性理论对混沌同步的条件给出了论证；最后，数据仿真的结果表明该方法的有效性．

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。

循环流化床入炉垃圾热值软测量

面对城市生活垃圾(MSW)的热值(HVs)难以实时测量的现状,构建基于减法聚类的自适应模糊神经网络(ANFIS)的入炉垃圾热值软测量模型.针对循环流化床(CFB)生活垃圾焚烧炉的工艺特点,选择模型的输入变量;依据专家经验对样本的热值进行模糊分类;利用减法聚类(SC)算法对训练样本进行分析,自适应地确定初始模糊规则和模糊神经网络的初始结构参数;结合最小二乘估计法和误差反向传播算法对模糊神经网络的参数进行学习,构建自适应神经模糊推理系统,完成CFB生活垃圾焚烧锅炉入炉垃圾热值的软测量建模.对比研究BP神经网络、RBF神经网络和支持向量机模型在垃圾热值预测方面的表现,结果表明:基于减法聚类的模糊神经网络模型具有最高的预测精度.预测值和实际垃圾热值的比较结果证明:模糊神经网络模型能够表征垃圾热值的整体变化趋势,可以对循环流化床垃圾焚烧锅炉的运行、控制和管理起到指导作用,并且能够为循环流化床生活垃圾焚烧锅炉的燃烧自动控制(ACC)系统提供可靠的热值反馈信号.

基于改进径向基神经网络的船舶设备故障诊断方法

针对目前船舶设备故障诊断方法存在适用性不广、准确度不高等问题,引入径向基神经网络船舶设备故障诊断方法。提出一种基于反向学习和自适应搜索策略结合的改进人工蜂群算法,通过反向学习策略进行蜜源初始化,提高初始解的质量,并在迭代过程中自适应调整搜索步长,提升原算法的收敛性能和局部寻优能力。将该算法与径向基神经网络的参数寻优相结合,构造性能良好的故障诊断分类器。实验结果表明,该方法有效提高了故障诊断的准确性和适用性,满足船舶设备故障诊断的实时性能要求。

基于K-means算法的RBF神经网络预测光伏电站短期出力

对K-means算法加以改进,使用减法聚类确定聚类中心数量;以相距最远的两个样本作为聚类中心的边界,改进的K-means算法将K个初始中心分散到含有输入样本点的各个区域中,使其能够反映样本之间的关系和分布特征;初始中心确定后,使用点对称距离方法调整聚类中心。利用改进的K-means算法将历史日聚类分成4种天气类型,取相似日作为训练样本,对4种天气类型分别建立基于改进K-means算法的RBF神经网络功率预测模型。采用上海某光伏电站实测数据验证,结果表明提出的的预测方法精度提高,实用性较强。

RLV再入神经网络自适应姿态控制器设计

可重复使用运载器(RLV)大包线再入过程中,广泛存在模型不确定与外界干扰,会给姿态控制器的设计带来不利影响,为此提出了一种神经网络自适应控制器设计方案。基于时标分离原理设计了快、慢双回路控制结构。在此基础上设计了径向基神经网络(RBFNN)自适应律,用于在线估计模型不确定和外界干扰力矩,并在控制器中进行补偿。仿真验证表明,RBFNN自适应控制器能良好地完成姿态跟踪控制,有效地抑制干扰力矩对姿态控制的影响。自适应律能够在线估计真实的飞行器动态和外界干扰力矩,控制器具有抗扰动能力。

一种基于AC-RBF神经网络的网络安全态势预测方法

为了准确地把握网络安全发展态势,提出了一种基于自适应聚类径向基函数(adaptive clustering radical basis function,AC-RBF)神经网络的网络安全态势预测(network security situation prediction,NSSP)方法。该方法对网络安全态势样本自适应聚类,获得了神经网络隐层节点数,采用梯度下降法训练神经网络,寻找网络安全态势样本之间的非线性映射关系,利用该关系对未来时刻网络安全态势进行了预测。仿真实验表明,相对于K-均值RBF神经网络及支持向量机(support vector machine,SVM)预测模型,该方法在神经网络规模较小的情况下,不仅能够反映网络安全态势的总体趋势,而且还提高了预测精度,能够提供给网络安全管理员一个直观的网络安全态势图。

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数(RBF)神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.

基于人工神经网络的居民生活垃圾可燃成分热值预测

研究采用BP、RBF和自适应神经模糊推理系统(ANFIS)对生活垃圾可燃成分的热值进行预测。结果表明,BP神经网络模型的预测准确率为93.36%,RBF模型为96.87%,ANFIS模型为91.06%,3种模型均可用于可燃成分热值预测,但RBF模型的预测准确率相对较高,更适用于可燃垃圾的热值预测。