基于相空间重构的RBF江水浊度预报研究

针对江水浊度序列非线性非平稳的特点,提出基于相空间重构的径向基函数(RBF)神经网络江水浊度预报法.利用虚假邻域法确定最小嵌入维数,根据互信息法计算最佳延迟时间;根据取得的嵌入维数和延迟时间对江水浊度时间序列进行相空间重构;利用重构相空间后的时间阵列,用RBF神经网络建立预报模型;利用该模型对江水浊度进行预报.最后通过仿真,证明基于相空间重构的RBF神经网络预报优于SISO-RBF神经网络预报和BP神经网络预报.     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。     

基于随机模糊神经网络的噪声混沌时间序列建模与预测

提出了一种基于随机模糊神经网络对噪声混沌时间序列进行建模与预测的方法,并介绍了一种基于非单值逻辑随机模糊神经网络(SFNN)的结构和学习算法.在此基础上,应用该网络对含随机噪声的麦克-格拉斯混沌时间序列进行了仿真,仿真结果表明,在噪声较大的情况下,SFNN比FNN方法有更好的预测效果.     

基于RBF神经网络的高斯混合近似算法

在分析RBF神经网络基本结构的基础上,提出一种基于RBF神经网络求解非高斯概率密度近似为高斯概率密度和的方法.该方法通过选取高斯函数作为神经网络的径向基函数,提取训练好的网络参数,运用这些参数构建混合成分的函数模型.理论分析与仿真证明,与传统采用EM近似算法相比,该算法具有求解跟初值的选取无关、能避免发散、收敛快的特点.     

基于状态相依RBF-ARX模型的非线性预测控制及应用

对于一类工作点时变的光滑非线性多变量系统,采用状态相依自回归(state-dependent auto-regressive with exogenous, SD-ARX)模型描述系统的非线性状态特征,用高斯径向基函数(radial basis function, RBF)神经网络近似SD-ARX模型的函数型系数,利用结构化非线性参数优化方法(structured nonlinear parameter optimization method, SNPOM)离线估计模型参数,并以状态信号量引导模型实时反映对象的动态特性,在此基础上设计的非线性预测控制器因避免了在线模型参数估计,可提高系统的实时性,并具有较好的控制效果。对四旋翼飞行器的实验结果验证了建模方法的有效性和控制方法的可行性。     

基于RBF神经网络的柔性机构动态响应辨识模型

通过神经网络技术对柔性机构复杂的非线性动态响应进行辨识,建立了柔性机构运动参数的辨识模型。利用径向基函数(radial basis function,RBF)神经网络优异的非线性逼近能力,建立了柔性机构动态响应的辨识模型。将机构的驱动力矩、阻尼力矩和非线性运动参数分别作为RBF神经网络的输入样本和期望输出样本。建立了RBF神经网络的拓扑结构,利用样本数据对其进行训练。通过空间站柔性展开机构模型进行动态响应的辨识,结果表明辨识的收敛速度快,精度高。该方法为复杂大系统的建模和分析提供了一种理想的途径。     

基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。     

压电陀螺漂移特性的灰色神经网络建模研究

在不同温度和运行时间下,压电陀螺的静态零位漂移和刻度因子变化表现为非线性和多值对应关系,基于时间序列的ARMA模型和直接采用温度单输入的前馈神经网络模型都无法正确描述压电陀螺的这种误差特性。提出一种将温度和时间作为输入,分别同时对应陀螺静态零位和刻度因子输出的三维空间下的单值对应关系,在运用灰色理论对数据进行预处理基础上,采用多输入单输出的RBF神经网络实现了对陀螺漂移特性的描述。仿真实验结果验证了该建模方法的有效性。     

基于改进的RBF模糊神经网络滤波的噪声消除

改进RBF模糊神经网络前件和后件的结构和学习算法，克服了RBF模糊神经网络模糊规则冗余的缺点。利用该系统对舍噪声的非线性信号逼近，达到消除噪声的目的。同时，应用该系统对地震信号进行滤波处理仿真，结果表明改进后的RBF模糊神经网络具有学习算法简单，计算量小，实时性好，而且能有效地抑制噪声。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

压电陶瓷回环特性的RBF神经网络建模研究

压电陶瓷的输入输出特性表现为非线性多值对应关系，直接采用只能逼近任意单值对应函数的前馈神经网络是无法描述压电陶瓷回环特性的，该文提出在二维输入输出空间中增加时间轴，构成三维空间，使压电陶瓷的输入输出特性变为单值对应关系。采用多输入单输出的RBF神经网络实现对迟滞回环特性的描述，其仿真结果表明该建模方法是有效的，并具有较高的精度。     

基于RBF神经网络的海杂波建模

从相空间重构理论出发，构造了一个RBF神经网络预测器来重构海杂波的内在动力学，并且利用这个确定性的模型时海杂波的演变进行预测。为验证模型的推广性能，采用了多步预测。对雷达采集的实际海杂波数据的实验结果表明，这个确定性的模型可以很好地追踪海杂波的演变。文中还分析了该RBF神经网络预测器在不同高斯白噪声条件下的预测性能，得出了其预测误差与杂噪比（CNR）的关系。     

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function, RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。