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。

基于混合算法下RBF神经网络的执行机构非线性特性在线辨识与补偿

针对控制系统中执行机构非线性特性在线辨识及补偿问题,研究了一种基于变步长核最小均方(SVSKLMS)和遗传算法结合的混合径向基(VHRBF)神经网络。利用径向基(RBF)神经网络不依赖于精确的数学模型即可得到被控对象信息的特点,建立了控制系统执行机构的非线性特性模型;为解决传统RBF神经网络辨识性能差的问题,使用遗传算法(GA)对神经网络的中心向量和方差进行优化,利用SVSKLMS算法对RBF神经网络模型中的权重进行优化,进而得到最佳的RBF神经网络。基于VHRBF神经网络及其逆模型补偿器对执行机构非线性特性进行在线辨识及补偿。仿真结果表明:与其他算法训练下的RBF神经网络相比,所提出的VHRBF神经网络能够精确辨识并补偿执行机构的非线性特性,并且具有更快的收敛速度、更优的收敛性能。

基于NSGA-Ⅱ与RBF神经网络的DPF结构参数优化

为降低某型号柴油机颗粒捕集器(DPF)在运行过程中的流动阻力,并使其保持较高的捕集效率。采用试验设计方法抽取代表性样本集,并分析影响因素对DPF捕集性能影响的显著性。利用径向基函数(RBF)神经网络构建所选变量与目标函数映射关系代理模型,并结合第二代非劣排序遗传算法(NSGA-Ⅱ)与结合熵权的优劣解距离排序法(TOPSIS)得到关于目标函数的一组最优解。结果表明:该型号DPF平均压降降低了14.58%,且DPF平均捕集效率保持99%以上。

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。

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。

基于RBF网络的新疆特重雪灾区最大积雪深度预测研究

基于建立的雪灾灾损指数,确定新疆特重雪灾区域;进一步聚焦特重雪灾区的8个县(市),包括阿勒泰市、福海县、青河县、塔城市、托里县、沙湾市、尼勒克县和伊宁县,分别建立县域RBF网络模型,预测2021—2050年年最大积雪深度。结果表明:该模型可用于新疆特重雪灾区最大积雪深度预测,但预测精度仍有待提升;塔城市、尼勒克县将于2025—2029年连续出现最大积雪深度偏高事件,2039年青河县将出现最大积雪深度的极大值,因此应关注可能发生雪灾的年份与县(市),积极做好雪灾的防御工作。

基于LMI和扰动观测器的电动伺服系统RBF神经网络控制

为了提高电动伺服系统的加载力跟踪精度,基于线性矩阵不等式(LMI)设计扰动观测器和控制器。针对系统中的非线性因素,采用RBF神经网络逼近系统的数学模型;在建立系统跟踪目标模型的基础上,根据LMI设计扰动观测器对控制器进行多余力的补偿,利用李雅普诺夫函数证明扰动观测器和控制器的收敛;在MATLAB/Simulink中搭建仿真模型,分析扰动观测器和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与PID控制相比较,证明所提控制策略的控制性能更优。

基于改进型RBF神经网络的直接数字频率合成器设计

提出了一种基于改进型径向基函数(Radial basis function,RBF)神经网络的高性能直接数字频率合成器,相比于传统的直接数字频率合成器避免了相位截断误差并降低了资源消耗。为了进一步提高RBF神经网络的训练效率及稳定性,提出一种改进型的RBF神经网络训练算法。该算法在粗调阶段,利用K-means++算法快速确定初始激活函数中心,使激活函数中心分布更加合理;在细调阶段则采用L-BFGS-B算法,对粗调阶段得到的最佳中心进行精细调整,进一步降低输出误差。通用FPGA平台的实验结果表明,基于改进型RBF神经网络的直接数字频率合成器当输出时钟频率为1.53 MHz时,无杂散动态范围为85.26 dB,相位噪声为-90.50 dBc/Hz@100 kHz,且无需占用额外ROM资源。

基于BP-ANN与RBF-ANN的钢筋与混凝土黏结强度预测模型研究

为研究神经网络对钢筋与混凝土黏结强度的预测能力以及神经网络的输出性能,基于大量的试验数据,提出一种基于改进神经网络的变形钢筋与混凝土黏结强度预测模型,对混凝土结构的研究与实际工程应用均有着重要的意义。收集290组黏结锚固试验数据,引入基于反向传播人工神经网络(BP-ANN)与径向基函数神经网络(RBF-ANN)算法,揭示混凝土强度、保护层厚度、钢筋直径、锚固长度及配箍率对变形钢筋与混凝土黏结性能的影响规律,建立基于改进神经网络算法的钢筋与混凝土黏结强度预测模型。对比分析不同数据预处理方法和训练神经元个数对建议模型预测结果的影响,评估各经典模型与建议模型的预测精度和离散性,提出临界锚固长度计算公式。结果表明:BP-ANN预测值与试验值比值的均值、标准差及变异系数分别为1.009、0.188、0.86,其预测精度略高于RBF-ANN;建议模型能够更准确、更稳定地预测钢筋与混凝土的黏结强度,该方法为解决钢筋与混凝土黏结问题提供了新思路。

基于RBF神经网络与SLAM的全捷联导引头定位研究

针对全捷联导引头探测器和IMU传递函数的需要进行相位匹配的问题,利用在线学习的RBF神经网络进行相位匹配算法设计,利用Z变换进行离散化处理;针对全捷联单模和多模导引头的相位匹配算法进行了设计与分析,并通过Matlab/Simulink联合仿真实验验证了算法的效果。同时,结合SLAM系统进行同时定位矫正,提升导弹的定位精度与全捷联导引头的导引准确度。

一般大气环境下钢筋锈蚀深度的RBF神经网络预测模型研究

钢筋锈蚀深度预测是评估在役RC结构服役性能的基础。为建立一般大气环境RC构件中钢筋锈蚀深度预测模型,通过收集实测数据,分析影响钢筋锈蚀深度的主要参数及其影响规律,继而基于实测数据建立数值模型和RBF神经网络预测模型,并进行参数敏感性分析。研究结果表明:与数值模型相比,RBF神经网络对钢筋锈蚀深度预测效率与精度更高,能够有效映射各影响参数与钢筋锈蚀深度之间复杂的非线性关系。参数敏感性分析结果显示,钢筋混凝土表面锈胀裂缝宽度对钢筋锈蚀深度影响最大,钢筋直径、保护层厚度与钢筋直径之比和混凝土抗压强度等其他因素影响次之。所得模型可用于工程检测中钢筋锈蚀程度预测与RC构筑物剩余服役寿命评估。

改进RBF神经网络在智能机器人轨迹规划中的研究

针对工业生产中对智能机器人轨迹规划的要求越来越高,在工业机器人运动模型的基础上,提出了一种将RBF神经网络和遗传算法相结合的工业机器人轨迹规划方法。通过遗传算法对RBF神经网络的网络结构、连接权值和阈值进行优化,精确跟踪机器人的轨迹。通过仿真将与未改进前的轨迹规划算法进行比较,验证该方法的优越性。结果表明,与改进前的规划算法相比,文中规划方法误差小,适应性强,能够满足工业机器人轨迹规划的预期要求。为工业机器人轨迹规划方法的发展提供了一定的参考。

基于数据同化方法修正RBF神经网络的高维气动力建模预测

通过数据同化方法修正径向基函数(radial basis function,RBF)神经网络,以提高高维气动力的建模精度。通过在传统RBF神经网络的核函数中引修正量γ,使用EnKF滤波数据同化算法修正该矫正因子,并将其应用于CRA309旋翼翼型的高维气动力建模预测中。结果发现数据同化方法采用非侵入的方式,在不破坏神经网络整体架构的情况下仅对核函数的矫正因子进行修正,大幅减少优化参数与变量,显著提升了RBF神经网络的建模精度和效率。将修正后的RBF神经网络模型应用于高维气动力建模中,用仿真数据替代对气动力参数进行预测。设计结果验证了预测模型的可行性,在风洞试验数据较少的情况下对提高试验数据的利用效率具有一定的工程实用价值。

基于RBF的油气水段塞流流型超声识别方法

石油管道内的多相流流型识别主要集中在气液两相流和油水两相流方向且准确识别流型范围有限,为了解决油气水段塞流流型识别问题,本文提出一种基于RBF神经网络和超声传播规律的油气水段塞流流型识别方法。根据油气水段塞流的相分布特点,建立了流型识别超声测试仿真模型。采用超声透射衰减技术和反射回波技术研究水平管道油气水三相段塞流超声响应特性,提取透射衰减信号区分段塞流液膜区、气泡夹带区和稳定液塞区。利用反射信号时间序列数据中的回波能量等统计特征,通过RBF神经网络对油气水段塞流进行流型识别。结果表明,基于超声传播机理以及RBF神经网络三相段塞流流型识别率为95.7%。基于RBF神经网络的流型识别算法研究为超声技术实现水平管油气水段塞流流型识别提供了理论基础。

基于多目标灰狼优化算法与RBF神经网络的真空灭弧室触头结构优化设计

在真空灭弧室触头开断过程中,合适的磁场分布有利于提高其开断性能;在合闸过程中,动、静触头间存在的电动斥力会导致触头出现弹跳现象。针对以上问题,首先建立了带铁芯式杯状纵磁触头的三维模型,进行了磁场分布与电动力的计算;为了进一步提高触头的性能,然后构建了以触头片开槽长度、开槽宽度、径向偏转角度、杯座斜槽高度及单个斜槽上下旋转角度为输入,电流峰值时刻触头间隙中心平面纵向磁场强度最大值、过零时刻中心点处磁滞时间、合闸时动静触头间的电动斥力分别为输出的RBF神经网络模型;最后结合RBF神经网络模型与多目标灰狼优化算法(MOGWO)对触头结构进行了优化。结果表明:与初始结构参数相比,当触头片开槽长度为19.74mm、宽度为3.94mm、径向偏转角为19.9°、杯座斜槽高度为18.0mm、斜槽上下旋转角为119.2°时,触头具有更好的磁场分布特性,且动、静触头间的电动斥力明显减小,有利于提高触头的工作性能。

四旋翼飞行器的RBF神经网络鲁棒自适应控制

针对具有模型不确定性和有界外部扰动的四旋翼飞行器,提出了一种基于径向基函数神经网络的鲁棒自适应全局控制方法(RRAC)。所提方法结合了神经网络控制对未知非线性的强拟合能力和鲁棒控制的全局稳定性,解决了神经网络控制仅能实现半全局一致最终有界的问题,实现了控制精度和鲁棒性的双重提升。所设计的控制器由在近似域内工作的神经网络控制器和在近似域外工作的鲁棒控制器组成。引入一种新型切换函数来实现两者之间的平滑切换,以保证闭环系统的所有信号是全局一致最终有界的。利用Lyapunov函数和Barbalat引理严格证明了非线性四旋翼飞行器系统的稳定性。仿真表明,所设计的控制器在模型不确定性和有界外部扰动下对参考轨迹依旧保持良好的跟踪性能,且跟踪误差趋近于零。

基于RBF代理优化的固体火箭发动机喷管型面设计

针对固定扩张比与扩张段长度的二维轴对称固体火箭发动机喷管进行扩张段型面优化,优化目标为喷管推力最大化,优化参数为贝塞尔曲线控制点的径向位置,优化方法采用径向基函数(Radial Basis Function, RBF)代理优化算法。采用纯气相与两相流两种模型分别进行优化设计,纯气相的结果表明,对于10个控制点表达的贝塞尔曲线,优化后的推力提高了1.64%。以此优化型面为初始型面,增加控制点个数至16个,二次优化后的推力又提高了0.095%。增大优化参数范围,同时引入判断拐点的约束,对于10个控制点表达的贝塞尔曲线进行单轮优化,结果同上述经过两轮优化之后的结果相近,优化后的喷管推力提高了1.78%,说明算法具有较强的稳定性。通过对不同控制参数个数的贝塞尔曲线优化过程的对比,给出了合理选择控制点个数的方法与建议。两相流的优化结果表明,由于颗粒的滞后影响造成了两相流损失,两相流喷管的推力小于纯气相喷管,但两相流喷管优化后的推力较优化前初始型面的推力提高了1.87%,略高于纯气相喷管。RBF代理优化算法适用于由任意数量控制点组成的贝塞尔曲线表达的喷管扩张段型面优化,并有较高的效率与较强的稳定性。

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分(Proportional Integral Derivative,PID)控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复训练中安全性的要求。