基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数（RBF）神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2．02％,     

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。     

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

基于一种改进的RBF神经网络的直接甲醇燃料电池建模

针对直接甲醇燃料电池(DMFC)系统过于复杂，难以数学建模。应用一种改进的RBF神经网络对DMFC系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的输入量，电池电压／电流密度为输出量，利用1000组实验数据作为训练和测试样本，建立了不同甲醇浓度和流速下电池电压／电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验，并与BP神经网络辨识的效果进行了对比。仿真结果证明RBF神经网络比BP神经网络收敛得快，建模精度高，从而为设计DMFC实时控制系统奠定了基础。     

基于神经网络的固体氧化物燃料电池电堆建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂,难以满足工程上对SOFC系统实时控制设计的需要,提出了利用遗传算法(GA)优化径向基函数(RBF)神经网络实现对SOFC电堆建模。在建模过程中,利用遗传算法优化RBF神经网络的输出权值及高斯基函数的中心向量和基宽向量,采用优化后的参数作为网络初始值,然后利用梯度下降法对各参数进行调整。通过仿真对该建模的有效性和建模精度进行了检验。     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

灰色系统建模中应注意的一个问题

根据灰色GM(1,1)模型(grey-model)的建模机理和条件,数据具有准光滑性是建模的重要条件,经常通过累加生成使数据具有准指数规律。但对数据本身具有准指数规律,进一步累加生成可能会破坏其指数规律。为此在建立灰色模型中,应先对数据进行准指数规律的判断;如果数据本身具有准指数规律,应该按照直接数据灰色模型的建模方法。这样有利于克服建模中的盲目性,并且对具有准指数规律的数据序列用直接数据灰色GM(1,1)模型的建模方法能够获得较高的精度,验证了它的有效性。     

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。     

基于RBF神经网络的磁屏蔽性能计算方法

针对磁屏蔽性能理论计算存在的不足,提出了基于径向基函数(radial basis function, RBF)神经网络的磁屏蔽性能理论计算方法。首先,采用控制变量法对影响磁屏蔽性能的独立参数进行分离并建模;然后,利用RBF神经网络对非独立参数进行建模;最后,将训练好的RBF神经网络模块与分离出来的独立参数模型进行结合,得到磁屏蔽装置的磁屏蔽性能计算模型。通过对矩形磁屏蔽装置的磁屏蔽性能进行仿真计算,结果表明,提出的基于RBF神经网络的磁屏蔽性能理论计算方法与有限元数值法的最大相对误差为10.3%,95%的拟合结果与数值计算结果的相对误差在8%以内,与传统解析法相比,该方法更加接近数值法的求解精度,更适用于工程估算。     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

一种新的RBF神经网络非线性动态系统建模方法

将遗传算法与正交优选法结合 ,用来训练径向基函数 ( RBF)神经网络 ,并对基函数宽度进行自动地调整 ,得到了一种训练 RBF神经网络的新方法 .将其应用于连续流体搅拌反应槽 ( CFSTR)生化反应器的建模中 ,得到了令人满意的结果 .该算法提高了径向基函数神经网络的泛化能力和鲁棒性 ,研究表明是一种有效的“黑箱”动态建模方法     

Grey Markov chain and its application in drift prediction model of FOGs

1.INTRODUCTION Sincetheinterferometricfiberopticalgyroscope(FOG)wasfirstproposedbyAmericanUtahUniver sityin1976,ithasbeenattractingalotofscientific andtechnicalinterestsinsteadofthespinningwheel mechanicalgyroforitcanprovideuniqueadvantages.Withtheextensionofresearch,peoplehavebecome acquaintedwithnoisesandbiasdrifts,whichinduce non negligibleerrorsintheoutputofFOGs.The hugeeffortsontechnique,whichweredevotedtothe developmentoflow noiseandlow driftFOGsmainly basedonmaterials,machining…     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

基于RBF神经网络的井眼方位角误差建模及补偿

对于陀螺钻井测斜技术而言,由于惯性器件本身误差及井下恶劣条件带来的干扰均具有复杂性,误差补偿是影响测量精度的关键因素。在阐述陀螺测斜原理、分析测斜系统可能产生的各种误差的基础上,进行了测斜仪转台实验,并采用神经网络中的径向基函数理论建立了井眼方位角误差模型,将其建模性能指标与双线形插值建模指标进行综合对比,结果表明RBF网络建模时间短、拟合性能好、预测能力强、补偿后方位角误差得到有效抑制、补偿精度高,各项指标均优于双线形插值方法。     

陀螺仪漂移测试与补偿系统的研制

从硬件、软件两方面简要介绍了所研制的“陀螺仪漂移测试与补偿系统”的组成结构、控制功能及工作过程。应用多变量过程控制系统解耦理论，采用对角矩阵法选择了解耦网络，设计了一套陀螺漂移力矩反馈法测试与数据自动采集系统；提出了一种对其随机漂移进行自适应控制补偿的方法，设计了具体的控制回路对其随机漂移进行实时补偿。     

非线性伺服机构的神经网络建模

本文研究了利用径向基神经网络辨识某伺服机构的问题，本文采用了具有自适应步长的Ｋ－均值聚类算法对网络中心进行调整，学习算法中的局部卡尔曼滤波器考虑了径向基网络的空间和参数局部特性，有效地提高了算法的收敛性与学习速度；仿真结果表明了ＲＢＰ网络对伺服机构建模的有效性。     

基于RBF网络的虚拟仪表人机界面评价方法

提出了基于RBF网络的虚拟仪表人机界面主观评价方法和评价指标。利用RBF网络的自组织、自学习与自适应特性对网络进行训练,使网络学习隐含在训练数据中的人机界面主观评价指标的权重规律,自适应调整主观评价指标的权重,克服了主观赋权法的随机性因素影响。建立了虚拟光柱表人机界面,开发了基于RBF网络的虚拟光柱表人机界面主观评价模型;对训练样本数为50,75和100的三组虚拟仪表网络模型进行了误差分析。分析结果表明,采用75个训练样本可以得到满意的主观评价精度。     

一种基于离散粒子群的自适应径向基网络模型

提出了一种基于离散粒子群的自适应RBF网络模型。即融合两个二进制编码粒子群,通过对最近邻聚类中心选择法的改进,RBF网络模型能自适应地优化隐节点数、中心向量与宽度,且在保证网络性能的前提下,使网络的结构相对简单(较少的隐层节点数)。同时为进一步提高网络性能,采用梯度下降法与递推最小二乘法混合学习策略,分别对基函数参数(中心与宽度)和输出层线性权值进行学习。仿真实验证明了该方法模型的有效性。