基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题,提出一种基于主成分分析(PCA)与改进LM算法-双高斯核RBF(ILM-DGRBF)神经网络的方法,实现了SOH的准确估算。首先,提取与锂离子电池容量衰退高度相关的健康因子(HI),采用PCA方法进行降维处理,减少HI之间冗余度。其次,创建双高斯核RBF神经网络,利用改进LM算法实现网络参数在线学习,建立ILM-DGRBF神经网络。再次,利用数据增强的电池测试数据训练ILM-DGRBF实现SOH估算。验证表明,经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势,可用于SOH的估算;与其他模型相比,所建ILM-DGRBF模型具有更高的估算精度和更好的鲁棒性,估算结果的误差控制在1.5%以内。最后,基于该方法构建一种新的SOH智能估算系统,为电池安全管理提供参考依据。

数字孪生下的液压缸机械运行位置自动控制

液压缸机械系统非线性特征复杂,机械运行行为特征不明确,位置控制结果存在偏差,对此,该文提出数字孪生下的液压缸机械运行位置自动控制方法。连续检测液压缸机械系统运行状态,构建非线性状态方程,对比实际测量数据与输出数据的差异,选取RBF核函数与支持向量机,机械运行位置变化量,描述机械运行行为特征,建立位置控制目标函数,将最高适应度值对应的位置点自动更新为副本位置点,引入猫群算法求解目标函数,对位置控制目标函数的全局最优解展开更新,实现液压缸机械运行位置自动控制。实验结果表明,所提方法应用后,位移检测曲线与实际位移曲线之间的偏差较小,且在恒负载工况下和变负载工况下,位移稳态误差均较小,说明其机械运行位置自动控制结果精度高、控制效率高、控制精度高。

RBF核SVM及其应用研究

因其核函数的良好性态,RBF核SVM(RBF-SVM)在实际应用中表现出良好的学习性能,但是RBF核函数中的参数对SVM的性能起决定性作用。阐述了RBF-SVM的性能随着变化而变化的规律,并将RBF-SVM引入自动羽绒识别系统中。根据自动羽绒识别系统的实际需求和RBF-SVM的性能变化规律,论述了本系统中参数的选取依据和选取过程,并且给出了的相关曲线变化图。通过研究,最后得到适合本系统的识别模型,从而提高了系统的总体识别率。同时,也验证了RBF-SVM的良好特性和其受参数的约束规律。

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一种神经网络。RBF核函数型支持向量机是一种性能卓越的新型学习机。将这两种学习机进行对比分析,以期在实际应用中做出更好的选择。首先,在理论上分析了这两种学习机在分类原理上的异同。接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标。最后,提出了在应用这两种学习机进行模式识别时应注意的方面。实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%。这说明RBF型支持向量机的性能要优于RBF网络。但是RBF网络易于实现,在样本数目足够多的情况下也不不失为一种好的算法。

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．

尺度可调的混合核RBF网络

针对传统核模型中采用单一核函数的局限性,利用两个核函数的线性组合得到混合核.在RBF网络的训练中,采取正交最小二乘的方法进行逐步回归建模.在学习每个神经元参数时,首先,用全局k均值聚类法得到数据样本的聚类中心,然后对每一个聚类中心,利用群搜索优化器搜索出最佳的尺度和混合核调节参数,误差最小的参数组合即为径向基函数参数.实验说明,新的RBF网络具有稀疏性好,泛化能力高等优点.

RBF神经网络在目标识别中的应用研究

基于递推最小二乘学习算法,提出了一种运用径向基函数神经网络进行目标识别的方法。仿真结果表明,该方法可以有效对来袭目标进行识别,具有较好的识别效果,对提高防空能力有一定的意义。

基于神经网络的地铁列车速度传感器自动化诊断

基于列车运行稳定可靠的需求,提高传感器数据检测的准确性以及及时性的目的,采用以径向神经网络为基础依据,进行双通道传感器数据检测的自动化故障诊断方法,构建地铁列车速度传感器自动化诊断系统。以传感器的工作原理为依据设置两组检测通道,其中一组作为备用通道进行信号检测。同时结合径向神经网络构建速度传感器自动诊断系统,经过精确度阈值以及相角对传感器故障进行诊断。通过实际的验证试验可知,传感器自动化诊断系统能够保证较高的精确度,可对地铁列车速度传感器的工作状态进行及时有效的判断。

基于混合优化的RBF神经网络集成的降水预报模型

针对传统的单个RBF神经网络集成中个体的隐节点个数和初始参数难以客观确定的不足,为了提高泛化能力,提出一种以高斯核函数的混合优化的RBF神经网络的方法,首先引入正交最小二乘法动态客观的获取数据中心的个数、数据中心及权值;然后通过计算隐层中心点间最小距离作为扩展常数;最后使用剃度法调节权值、中心及扩展常数使网络参数和结构达到最优.该方法结合了正交最小二乘法和剃度算法的优点,通过从结构和算法两方面的调整提升了单个的传统的RBF网络的性能.并将上述优化混合的RBF神经网络与主成分分析方法相结合建立模型.本文以广西5月逐日降水事先初选的众多预报因子进行主成分分析算法提取有效的几个综合因子,然后使用混合算法优化的径向基网络建立降水预测模型.结果表明,该模型具有较好的收敛效果和泛化能力,在预报性能上明显优于同期的T213降水预报,具有一定的普遍适用性.

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。

RBF支持向量机用于多类混叠的人脸识别研究

RBF支持向量机以其稳定性和识别率高的优势被广泛地应用于模式识别和故障检测。与其他文献不同,RBF支持向量机被应用于多类混叠的人脸识别。一方面考察经过多类混叠后,以RBF为核函数的支持向量机的性能有无退化,另一方面使其更具实用价值。经过实验验证,与RBF支持向量机用于单一类别相比,多类混叠的样本在性能上的确稍有退化,但是仍旧保持了很高的识别率,验证了该方法的有效性和实用性。

基于改进GA的RBF核函数参数优化模型

为解决高斯径向基(RBF)核函数参数难选择的问题,提出一种基于Fisher判别准则的径向基核函数参数优化模型。为了寻求模型最优解,对传统遗传算法进行了改进,改进的算法保证了适应度大于平均适应度的个体可以遗传到下一代的种群中。通过改进优化求解的效率更高。利用经过改进的遗传算法对所提出的模型进行全局优化求解,最后使用MATLAB 2009a作为工具,并使用UCI数据库的葡萄酒数据作为分析对象进行了实际的算法验证和评价实验。仿真结果表明,提出模型能够有效地找到合适的参数值,提高了SVM的分类准确度。

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.

基于VW-IGRBF神经网络的出水BOD软测量

针对污水处理过程具有复杂非线性特性以及出水BOD难以精确测量的问题,文中提出一种基于变宽度的逆平方根和高斯函数线性组合的RBF神经网络软测量方法。神经网络的激活函数由逆平方根函数和高斯函数线性组合,弥补了单一激活函数在某些区间饱和的问题,提高了隐层激活函数的表达能力和自适应能力。由于激活函数的宽度对模型的泛化性能有较大的影响,因此引入基于核密度的变宽度策略可以有效提高网络泛化能力。文中采用改进LM算法实现了神经网络参数的在线学习。基于污水处理过程实际运行数据的仿真实验表明,所提方法对于出水BOD具有较高的预测精度和良好的自适应能力。

基于变异函数的径向基核函数参数估计

研究了支持向量机 (support vector machine,SVM)方法在一定假设条件下 ,核函数取为样本协方差函数时解的具体形式 ,得出了在该假设情况下 SVM方法等价于克立格方法的结论 ,提出了用协方差函数作为 SVM核函数的思想 .考虑到在某些情况下协方差函数可能不存在 ,因此考虑用变异函数来代替协方差函数估计径向基核函数的宽度参数 .这样不仅解决了SVM中径向基核函数宽度参数的确定问题 ,而且把这种情况下的 SVM拟合与概率统计学中的克立格方法联系了起来 ,赋予了

混沌时间序列支持向量机模型及其在径流预测中应用

以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。

一种改进的支持向量机模式分类方法

支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,已成为目前研究的热点,并在模式识别领域有了广泛的应用。首先分析了支持向量机原理,随后引入一种改进的径向基核函数,在此基础上,提出了一种改进核函数的SVM模式分类方法。与基于IRIS数据,进行了计算机仿真实验,与基于模糊k-近邻的模式分类仿真结果比较,结果表明改进的SVM方法分类性能比模糊k-近邻算法(Fuzzyk-Nearest Neighbor,FKNN)的分类性能更好,运算时间更短,更易于实时实现。

基于1-分类支持向量机的机器视觉缺陷分类方法

文章针对机器视觉表面缺陷检测中不同类缺陷样本数量少和不均衡的情况,提出了用1-分类分别对单独类缺陷进行真/假分类判断的分类方法,首先对每类训练样本计算具有尺度和旋转不变的不变矩特征,再使用基于1-分类的支持向量机和RBF核函数对每一类缺陷样本生成一个超球面,然后通过二重网格搜索的方法对核函数的参数寻优,最后对实际采集的缺陷图像自动寻找缺陷位置并进行分类。实验表明,1-分类支持向量机进行缺陷分类能克服分类样本不均衡的限制,具有分类准确率高及易实现在线检测等优点。

无人地面车辆野外水体障碍物识别

针对野外环境下水体障碍物检测领域,从视觉信息中发掘水体区域存在的显著特征,并加入机器学习算法,提取水体特征描述符,用支持向量机(SVM)检测方法检测水体障碍物。基于S/V颜色特征与灰度共生矩阵,提出一种利用水体颜色和纹理特征的描述符检测野外水体的方法。在统计大量水体障碍物颜色和纹理特征的基础上,采用SVM训练分类器,针对实际问题通过实验选择RBF核函数和采样窗口尺寸,并优化RBF核函数参数,提高分类器非线性问题的解决能力。试验证明本文方法能够有效监测越野环境中水体障碍物,可提高水体检测的准确性和鲁棒性。

Temperature prediction control based on least squares support vector machines

A prediction control algorithm is presented based on least squares support vector machines (LS-SVM) model for a class of complex systems with strong nonlinearity. The nonlinear off-line model of the controlled plant is built by LS-SVM with radial basis function (RBF) kernel. In the process of system running, the off-line model is linearized at each sampling instant, and the generalized prediction control (GPC) algorithm is employed to implement the prediction control for the controlled plant. The obtained algorithm is applied to a boiler temperature control system with complicated nonlinearity and large time delay. The results of the experiment verify the effectiveness and merit of the algorithm.