基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

滤波减速器传动机器人的自适应RBF反演法控制

针对具有参数未知、外界扰动、强耦合、非线性和多变量的滤波减速器传动机器人建立系统数学模型并对其进行自适应RBF神经网络反演法控制。利用自适应RBF在线逼近系统模型中的未知非线性项设计基于自适应RBF神经网络的反演法控制器同时结合Lyapunov稳定性分析方法论证闭环系统的收敛性。所提控制方法有效地抑制诸如参数未知、外界扰动等对滤波减速器传动机器人的性能影响。仿真分析表明所提出自适应RBF神经网络反演控制器实现了滤波减速器传动机器人的高性能位置跟踪控制并具有很好的控制精度和鲁棒性。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。     

多峰布里渊散射谱的拟合算法研究

针对利用光纤多峰布里渊散射谱解决光纤传感技术中温度和应变同时检测不能获得精确的拟合曲线的问题,将基于K-means聚类方法的RBF神经网络应用到光纤多峰布里渊散射谱的数据拟合中.首先论述了径向基(RBF)神经网络和基于K-means聚类方法的理论知识;其次利用RBF神经网络算法进行数据拟合,得出不同扩散速度影响数据的拟合精度,但是拟合曲线的光滑度和精度不能同时得到保证;最后,采用基于K-means聚类方法的RBF神经网络进行数据拟合,获得了较为准确的拟合曲线,均方误差较小.     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

基于工程经验和RBF神经网络的水轮机综合特性曲线拓展和重构

水轮机特性曲线是描述水轮机运行过程中运行参数变化及相互关系的重要数据图.采用径向基函数(Radial Basis function,RBF)神经网络拓展和拟合水轮机特性曲线的方法可避免用具体的数学表达式表示该特性曲线高度非线性的函数关系,而是通过对离散样本点的学习和训练来获得水轮机全特性曲线.在使用RBF方法进行拟合数据和重构曲面之前,本文利用边界条件和工程经验将已知工况区域的特性曲线向小开度区域和低效率区域进行了有效拓展,大幅增加了RBF神经网络的学习样本数量,从而进一步提高了RBF方法拟合水轮机全特性曲线的精度和可靠度.以HL180水轮机为例,对拓展和拟合水轮机综合特性曲线的具体过程进行了详细介绍.计算结果表明,同仅采用RBF神经网络方法相比,采用本文方法得到的水轮机全特性曲线具有更高的精度和可靠度.     

云模型优化径向基函数神经网络算法研究

径向基函数(RBF)神经网络广泛用于各类医学预测模型中,针对RBF神经网络隐含层高斯径向基函数的参数确定困难,影响癌症预后模型的因素具有多样性和模糊性等问题。利用云模型优化RBF神经网络算法,通过高维云变换确定RBF隐含层神经元,优化RBF神经网络结构。用来自美国国家癌症研究所监测、流行病学和最终结果(SEER)数据库的4 771例食管鳞状细胞癌患者数据建模仿真与传统的仿真对比,证明该模型预测生存期的C-index为0.705,远高于肿瘤等级、列线图和RBF神经网络(0.598、0.627和0.632),能更好更准确地对食管鳞状细胞癌患者进行预后预测。     

改进的BP神经网络在碾压混凝土坝温度场反分析中的应用

采用改进的BP神经网络,建立了碾压混凝土坝热学参数反馈分析模型;利用三维有限元浮动网格法正分析得到的样本去训练网络,再利用温度实测值对热学参数进行反分析,根据反演后的热学参数进行温度场计算.计算结果和实测结果较为接近,可满足工程实际要求,且该方法具有较好的稳定性和收敛性,表明改进的BP神经网络算法用于反演混凝土坝热学参数是可行的.     

基于智能算法的涡流检测自然裂纹形状重构

人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹涡流检测(ECT)信号进行了去噪预处理及信号特征提取,通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型的基础上,利用经过处理的裂纹ECT信号与裂纹形状参数样本库对径向基函数(RBF)神经网络进行训练.采用遗传算法,通过创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号;然后运用改进的遗传策略进行迭代反演优化,对裂纹形状最优解进行搜索.重构结果表明该方法具有快速、精确的优点.     

基于PSO-BP神经网络的地铁盾构场地土体参数反演

土体参数赋值与工程实际的差异是导致数值计算结果与工程实际不符的主要原因之一。针对BP神经网络参数反演存在的缺点,依托实测的太原地铁地表沉降数据,利用MATLAB神经网络工具箱结合正交法和数值模拟技术,构建了PSO-BP神经网络,对土体参数进行反演修正,并采用反演修正后的土体参数对下一工况进行了预测分析。分析结果表明:PSO-BP具有较高的计算精度,所建立的神经网络反演结构能够很好地反映地表沉降与土体参数之间的非线性关系,可以为同地区类似工程的土体参数取值提供参考。     

川东南地区海相页岩气层TOC含量多参数融合预测

探讨川东南地区海相页岩总有机碳(TOC)含量的关联参数以及更准确的预测方法。利用已钻井处实测TOC含量与各类地震敏感参数进行交会分析,选取相关度较高的参数,分别进行单参数拟合;再进行多参数综合拟合,获得综合预测公式;最后通过地震反演获得相应数据体,并得到全区预测结果。结果表明密度、自然伽马、弹性模量、切变模量与TOC含量具有较高的相关度,通过叠前反演获得的数据体稳定、可靠,在已钻井处TOC含量预测结果与实测值相关性可达到0.95,且整体结果符合该地区沉积地质理论。多参数预测能有效提高预测准确度,二次拟合方法和叠前反演技术为预测TOC含量奠定了良好的基础。     

基于RBF和PSO的双喉道气动矢量喷管优化设计

本文探索了一种能多变量综合优化的方法,即对喷管进行参数化设计后,用均匀试验设计(UED)将试验样本均匀散布在设计区间内,求出各性能参数后,利用径向基神经网络(RBF)对试验样本进行拟合,再用粒子群算法(PSO)对训练好的神经网络进行寻优,找出了更好的双喉道气动矢量喷管设计参数组合。数值模拟结果显示,优化后的双喉道气动矢量喷管的矢量角有了明显提高。试验表明这种优化方法具有很好的优化能力,可以用来对喷管几何外形进行参数优化。      

基于神经网络正向模型和遗传算法的涡流检测自然裂纹形状重构

提出了一种基于神经网络正向模型与遗传优化算法从疲劳裂纹涡流检测(eddy current testing, ECT)信号重构裂纹形状的方法.人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹ECT信号进行了去噪预处理并提取了信号特征.随后通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型基础上,利用经过处理的裂纹ECT信号和裂纹形状参数样本库对径向基函数(Radial Basis Function, RBF)神经网络进行训练.遗传算法首先创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号,然后运用遗传策略进行迭代反演优化,搜索裂纹形状最优解.重构结果表明该方法具有快速、精确的优点.     

响应面法和BFGS算法在试井分析中的应用

试井分析是利用关井所测的井底压力随时间变化的资料来分析地层和井筒参数,是一个典型的反问题.基于响应面法提出了一种新的参数自动反求的数值试井解释方法.选定不确定参数及其范围,确定试算算例,然后利用拟合方法得到多项式逼近函数,即构造响应面模型.利用响应面模型构建计算值与实际观测值偏差的目标函数,再利用BFGS算法以及拉丁超立方抽样搜索目标函数的最小值,得到不确定参数值.算例表明该方法能有效地对井底压力以及压力导数进行拟合,因而具有很好的应用前景.     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

一类间歇过程的优化及非线性预测控制

基于主产物浓度和反应温度的RBF神经网络模型,使用粒子群优化算法(PSO)求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。利用RBF神经网络建立了反应器冷却水控制温度阶段的预测模型,采用非线性预测控制,并引入了模型误差项,增强了控制方法的鲁棒性和间歇过程的抗干扰性能。利用 Lyapunov 原理对该预测控制算法做了稳定性分析,确定了系统稳定条件下的参数的取值范围。同时编制控制程序在多功能过程及控制实验装置(MPCE)装置上实现了算法的控制,并与以升温速率为基准的特殊PID调节器的控制结果比较,结果证明了基于RBF神经网络非线性预测控制方法的有效性。     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

一类非线性滞后系统的自整定PID控制

针对采用传统PID控制一类非线性滞后系统,难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近零聚类学习算法,训练RBF神经网络,从而自适应调整系统的控制参数.仿真结果证明了,该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力.     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.