基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于神经网络的交通流流量预测

神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近系统,由于神经网络对非线性函数具有任意逼近和自我学习的能力,所以神经网络系统辨识为非线性系统的辨识提供了一种简单而有效的方法。     

RBF网络在熔窑控制系统中的应用研究

主要针对熔窑温度表现出的非线性、慢时变、大迟延和不确定性等特点,根据径向基函数神经网络具有可以逼近任意非线性映射、较快的学习速度并避免局部极小问题的能力,将RBF网络用于熔窑温度过程非线性模型的在线辨识,仿真结果表明能较好地跟踪温度的实际输出数据,具有较高的学习精度.     

紧支撑径向基函数网络在函数逼近中的应用研究

径向基函数网络能够以任意精度逼近任意连续函数。目前径向基函数神经网络中普遍使用高斯基函数作为激励函数,用它来训练网络时,首先需要确定径向基函数的扩展常数SPREAD.SPREAD设定过小,函数逼近时会出现过适性,SPREAD过大,函数逼近时会出现不适性。所以创建径向基函数网络时,需根据不同的训练集和精度要求,选择多个不同的SPREAD值来反复比较网络输出值和目标值,以确定相对较好的逼近情况,这给实际使用带来一定的困难和不便,且无法保证该选择是最佳值.本文研究使用紧支撑径向基函数作为激励函数来设计神经网络,并分析其在函数逼近中的实际应用。     

不确定分数阶同步发电机混沌系统的滑模自适应控制及参数辨识

考虑了一种带有周期性负荷扰动和电磁功率扰动的同步发电机系统模型.基于分数阶稳定性原理,对分数阶系统的动力学特性做了仿真分析.针对系统内部参数和扰动幅值的不确定,利用径向基函数神经网络的万能逼近特性改进滑模控制方法,设计了一种基于径向基函数的自适应滑模控制器,实现参数辨识,使系统输出能渐近跟踪目标轨迹,进而抑制分数阶系统混沌振荡.研究表明,该方法控制时间短、逼近误差小,而且有效地消除了抖振,具有实时控制、鲁棒性高等特点.     

基于RBF神经网络模型的单力臂机器人控制

针对单力臂机械手的控制,提出了一种基于RBF神经网络模型的控制方法; RBF神经网络即径向基函数,它本身是具有单隐层的三层前馈网络,从输入空间到输出空间的映射呈现非线性,但是从隐含层空间到输出空间的映射却呈现线性,又由于RBF网络它采用高斯基函数作为作用函数,它的输出与部分调参数有关,在输入空间的有限范围内不为零,是一种局部逼近的神经网络方法,所以采用RBF网络能够很快地进行学习并且避免出现局部极小问题,能够满足控制的实时性要求;通过建立相关模型的Simulink控制系统仿真以及M语言的离散数字化仿真发现,采用RBF神经网络模型方法进行控制,其控制的精确度和实时性很高,控制效果很好。     

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型。建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果。     

神经网络智能控制系统辨识模型结构的研究

目的 研究神经网络智能控制系统辨识模型的基本结构。方法 分析了控制系统动态模型的输入、输出关系,依据模型等效的最优化原理和神经网络任意逼近有限不连续函数的性质,提出神经网络辨识模型的基本结构。结果 该基本结构不仅适用于高阶线性系统,也适用于非线生及时变系统,可达到较高的辨识精度,保证了由此构成了神经网络控制系统具有较好的自适应性和鲁棒性。结论 所提出的基于神经网络系统辨识模型的基本结构具有一般性和     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

非线性系统定阶的神经网络方法

前馈型神经网应用于非线性系统辨识的一个问题是确定系统阶次。采用前馈神经网进行非线性系统定阶与神经网的推广性问题密切相关。ＯＬＳ算法是构筑径向基神经网的一种学习算法，但是采用ＯＬＳ算法构筑神经网存在推广性问题。ＲＯＬＳ算法将ＯＬＳ算法与正则化（ｒｅｇｕｌａｒｉｚａｔｉｏｎ）方法相结合，以提高算法的推广能力。本文将基于径向基网的ＲＯＬＳ算法应用于非线性系统定阶。本文对提出的方法进行了仿真研究，结果验证了方法的有效性。     

磁控开关型故障限流器RBF神经网络自适应偏置电流控制

基于新型磁控开关型故障限流器偏置电流控制系统复杂的非线性时变特性,提出一种基于径向基函数神经网络的限流器偏置电流自适应控制系统,采用2个RBF神经网络来分别构成自适应控制网络和辨识网络,实现了偏置电流的实时控制.试验证明,利用该偏置电流控制系统,限流器的响应速度和限流效果可以得到保证.     

基于径向基函数神经网络的栅格图像非线性畸变校正

为了减小光电成像测量系统中存在的非线性畸变,提高测量精度,提出了一种基于径向基函数神经网络的图像畸变校正方法。提取带有桶形畸变的栅格图像中的栅格交叉点作为控制点,利用光学成像关系推算出栅格交叉点的理想无畸变位置,构成径向基函数神经网络的训练集。经过训练,可以确定径向基函数神经网络结构的优化参数。针对栅格图像进行了畸变校正实验,并与多项式变形法进行了比较。实验结果表明,所提方法能够自动、有效地校正图像畸变,效果优于多项式变形法。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

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.     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。     

基于径向基神经网络的低压台区运行状态综合评价方法

为提升低压台区管理水平,指导基层运维人员及时发现台区问题,提出基于径向基神经网络的低压台区运行状态综合评价方法,该方法首先利用改进K-means算法对低压台区进行分类,然后获取台区运行状态评价指标体系集,综合序关系分析及加权求和计算历史台区评价值,最后以评价值为训练样本,得到径向基神经网络评价模型,利用该模型开展在运台区状态评价。通过实例分析表明,该综合评价方法能有效开展台区运行状态评价,及时发现线路及计量设备故障或异常问题,为开展低压台区运行问题治理,提升台区管理水平提供技术支撑。     

RBF网络自整定PID控制在网络化控制系统中的应用

文章针对网络化控制系统普遍存在的时延问题,介绍了一种基于径向基函数神经网络自整定PID的控制策略.在Matlab/Simulink环境下搭建了基于TrueTime工具箱的网络控制系统的仿真平台.仿真结果表明:与常规PID控制相比,神经网络自整定PID控制算法可有效地提高系统的鲁棒性和自适应性,且此方法易于实现,便于工程...