在线高时效的热力系统二次辨识方法

为满足热力系统的自动控制系统中被控对象在线辨识的要求,通过对常用辨识方法的比较,提出了二次辨识的辨识思路。把系统的辨识分为一次辨识和二次辨识:根据一次辨识,辨识出系统的一次粗糙模型,利用二次辨识对一次辨识的结果进行补偿辨识。针对控制模型的特点,利用最小二乘法和RBF神经网络构造了二次辨识的在线辨识算法。仿真试验的结果表明:通过该方法在线建立的模型具有良好的模外动态特性,即使在偏离的情况下,也能使相对误差保持在5%以内。     

在煤矿循环流化床锅炉仿真中RBF神经网络的应用

为了解决煤矿循环流化床锅炉燃烧实时动态数学模型的高阶、多变量微分方程不易求解等问题,提出利用RBF神经网络实现该模型的参数辨识,并提出利用小生境克隆选择算法提高RBF网络学习算法的收敛性。通过SNCC循环流化床仿真系统的数字仿真验证,算法具有良好的收敛性和逼近效果,并避免了传统模型的复杂微分方程求解过程。     

基于改进微分进化和分散辨识算法的炼钢模型研究

在炼钢过程模型辨识中,被控对象的动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,使得难以对其建立比较精确的模型。为实现精确建模,提出了一种基于微分进化和分散辨识算法的辨识方法。该方法通过改进的微分进化算法,对系统进行参数优化,接着采用分散辨识在设定点输入阶跃信号,待系统进入稳态后再采样,使得到的稳态输出值能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,通过微分进化算法可进一步确定炼钢过程的最佳参数,在采用分散辨识方法对炼钢复杂对象进行辨识后,可以建立更好的数学模型。     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

一类基于RBF神经网络的系统辨识算法设计与仿真

介绍了系统辨识的意义、神经网络的优点和RBF神经网络。着重介绍了RBF神经网络的学习算法以及在系统辨识中的应用,并以仿真例子演示了RBF网络的初始化,训练和实际结果。仿真结果表明所设计的RBF网络具有较快的辨识速度和较好的辨识精度。     

基于差分进化与RBF神经网络的热工过程辨识

针对热工过程的非线性辨识问题,提出了一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型设计方法.该方法将DE算法的种群分解为几组并行的子种群,每组子种群对应于一类隐节点数相同的RBF网络.在RBFNN的学习过程中进行多子种群并行优化,从而实现RBF网络结构与参数的同时调整.算法可以利用热工对象的输入输出数据,自动设计出满足误差精度要求且结构较小的RBFNN模型.然后将该算法应用于热工对象的辨识,对于单输入单输出系统,得到的RBFNN模型只需1个隐节点.对于多输入单输出系统,RBF网络也仅需较少的隐层节点.仿真结果表明,用该方法设计的RBFNN模型结构简单,且辨识误差小,具有较好的泛化能力.     

基于改进粒子群算法的分数阶系统辨识方法

为获取精确的分数阶系统模型,本文利用惯性权值自适应律来改进基本粒子群算法,基于所改进的粒子群算法提出了一种分数阶系统辨识方法,并选取实际系统与辨识系统的输出误差平方和为目标函数,实现了分数阶模型参数和阶次的同时辨识,适用于成比例和不成比例分数阶系统辨识。仿真结果表明了算法的有效性,辨识结果精度较高。     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

模糊神经网络在锅炉煤种辨识中的应用

针对目前很多工业锅炉燃烧煤种发生变化时,控制效果下降,燃烧效率降低等问题,设计了一套在线煤种辨识系统,其核心采用模糊神经网络来构建辨识模型,综合了线性辨识方法和非线性神经网络建模方法的优势。能够利用过程历史数据辨识对象模型。利用试验仿真平台对该方法进行了仿真验证,结果显示了该方法辨识误差在2%以内,且具有适应范围广、计算方法简单等优点,该方法还可应用于锅炉其他重要热工参数的软测量,有很高的应用推广价值。     

RBF网络在交通流模型辨识中的应用

利用径向基函数 (RBF)人工神经网络来逼近已知的交通流非线性解析模型 ,讨论了高速公路交通流模型的辨识问题。提出了一种带反馈的 RBF网络模型 ,讨论了其训练算法。算法分两步实现 ,第一步利用一种改进的聚类分析方法确定隐层节点核函数的中心点 ,第二步用最小二乘法确定从隐层到输出层的连接权。最后将训练好的网络模型和给定的解析模型同时进行仿真计算 ,得出了当某路段出现突发性交通事故时交通流密度和平均速度的变化曲线。仿真结果说明 RBF神经网络模型的训练速度快和辨识精度还是令人满意的     

采空区遗煤自然发火预测的模糊分形神经网络研究

将模糊控制技术、分形理论中的时间序列分析方法与神经网络技术有机地结合起来,并运用于采空区遗煤自然发火的预测中.通过对采空区发火次数的时间序列的模糊分形处理,用BP神经网络对影响因素间的非线性关系进行拟合.检验结果表明,模型可靠,预测精度高,为预测采空区遣煤发火提供了一种新的方法.图3,表1,参10.     

混合遗传算法在多煤种掺烧电站制粉系统优化中的应用

电站制粉运行优化是一类多变量非线性时变系统,同时受到燃烧稳定性、磨的安全性、炉膛结焦等因素约束,且控制参数和约束条件之间相互耦合制约。本文将人工神经网络和遗传算法相结合形成混合优化算法,对电站多煤种掺烧制粉系统运行进行寻优。针对掺烧煤结焦的模糊性和非线性特征,采用模糊神经网络评估混煤的结焦特性,并利用径向基神经网络关联掺烧煤的煤粉细度和磨出口温度。以混煤煤价和制粉单耗最低为目标,采用组合结构基因加速寻优,其中煤种和掺混比率基因用于全局粗寻优, 运行参数基因用于制粉系统局部优化。考虑到参数基因维数大,在可行解空间内对浮点编码的10维变量进行均匀分割随机初始化,以保证搜索的稀疏性和初始群体的多样性。仿真结果表明,该算法对电站多煤种掺烧制粉系统运行问题具有相当好的实用性和适应性。     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于RBF神经网络的水轮机振源参数识别方法

在对水轮机进行力学建模和分析时,其振动荷载特性往往是未知的,但却是十分重要的.基于径向基函数(RBF)神经网络,提出了水轮机振动荷载参数识别方法.根据在丰满水电站现场观测的水轮机振动响应数据,识别出了水轮机在不同运行状态下的振动荷载参数,其中包括振动力的频率、相位差和幅值.利用人工神经网络具有解决参数识别反问题不适定性的能力,建立了水轮机系统响应与模型参数之间近似的非线性函数关系.现场实际应用结果表明,经过充分训练的神经网络具有较快的收敛能力和较高的预测精度.     

基于L-MBP神经网络的煤自然发火期预测

针对不同矿井、矿井不同工作面预测煤自然发火期的难题，采用具有较好收敛性的L-M（Levernberg-Marquardt）BP算法的神经网络，开发出煤自然发火期预测仿真系统软件。根据煤自燃的内凼和外因影响因素，在东北矿区各自燃采场收集了152个样本训练数据，并应用于该软件训练、预测其结果误差〈10％。在神东矿区进行预测时，预测结果与实际情况吻合较好，为制定预防采场自然发火的技术措施提供了可靠的技术参数。     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

基于GM-RBF神经网络组合模型的水泥强度预测方法

 为预测煤矸石代黏土煅烧水泥的28 d 抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数（RBF）神经网络技术相结合,提出了基于GM-RBF 神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF 神经网络输入向量,相应的实测28 d 抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF 神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM（1,N）模型或RBF 神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。     

基于深度信念网络模型的多目标优化

为降低炼焦能耗,提高焦炭产量和质量,准确建立生产目标模型,提出基于深度信念网络模型的多目标优化研究方案。根据现场专家经验及生产现状确定能耗和产量为生产目标,对采集的炼焦数据进行处理和相关性分析,分别建立能耗和产量的深度信念网络模型及质量径向基神经网络模型,并且采用差分扰动的粒子群多目标优化算法进行集气管压力设定值优化,通过仿真研究验证了该方案的可行性。实验表明,该方案能准确地挖掘数据间的复杂特性,建立精准的目标模型,并得出最佳的集气管压力设定值,使炼焦能耗降低并且产量提高,可以为实际生产提供理论指导。     

属性测度及其在目标识别中的应用

为了获得一种训练快、精度高、计算量少的雷达目标识别方法 ,研究了属性测度和属性模式识别 ,及属性模式识别在目标识别中的应用 ,并将模糊聚类分析用于属性测度。经过研究发现 ,在不用指标的峰度时 ,可以达到很高的识别效果。与传统的神经网络法相比 ,属性模式识别法在训练速度上得到了大大的提高 ,并在识别效果上优于径向基神经网络法。以雷达目标识别为例证明了该算法的有效性。这为我们研究低分辨雷达提供了一种全新的方法。