RBF神经网络及其在液化气生产数据预测中的应用

针对化工生产中响应值测定滞后的问题，应用径向基函数(RBF，Radial Basis Function)神经网络建立生产数据预测数学模型．将该模型用于液化气生产数据预测，处理结果相对误差均小于5％，表明该模型预测效果良好．     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基（Radial Basis Function简称RBF）网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法．实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善．     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

基于SMA方法的人脸校验

提出了基于SMA方法解决人脸与非人脸的校验问题.该方法首先运用主分量分析PCA(Principal Component Analysis)方法降低特征向量的维数,然后运用神经网络原理,采用径向基函数RBF(Radial Basis Function)前向神经网络,运用SMA算法得到人脸、非人脸的软间隔判决函数.这种方法允许在样本训练过程中有错误分类,从而更具推广性,且得到的判决函数更加简单,进而使实时处理系统效率更高.实验表明,该方法对图象中含有较多噪声点或者明显附属物的人脸、非人脸图象正确率较高.     

基于自适应径向基函数神经网络的光伏MPPT研究

光伏系统在局部遮阴情况下,输出曲线呈现多峰特性.针对传统最大功率控制算法易追踪到局部最大功率点的缺陷,提出一种基于自适应径向基函数(Radial Basis Function,RBF)神经网络的控制算法.该算法以自适应线性算法优化RBF神经网络的扩展常数与权重,克服了传统神经网络算法收敛速度慢、全局寻优差的缺点.在MATLAB/Simulink环境下建立自适应RBF神经网络仿真模型进行验证,结果表明,提出的算法在外界光照、温度发生变化时能准确找到光伏系统的最大功率点,且在收敛精度和收敛时间上均有很大的提升.     

基于RBF神经网络与遗传算法的Agent初始位置优化

以陆地作战训练模型为背景，研究了多Agent系统中Agent初始属性的优化问题，提出了一种径向基函数(RBF：Radial Basis Function)神经网络与遗传算法(GA：Genetic Alorithm)相结合的、对作战训练模型中Agent的初始位置进行优化的方法。与已有的优化方法相比，该方法不仅优化效果得到明显的提高，而且执行效率可以提高20余倍，更适于处理对执行效率要求较高的优化问题。     

基于RBF神经网络的天线阵方向图建模

介绍了径向基函数(Radial Basis Function,RBF)神经网络对阵列天线方向图进行建模的方法,并基于MATLAB仿真平台对由对称振子构成的二元阵、N元边射阵等多种阵列天线进行建模,所有的训练数据是由经典公式计算所得.仿真结果表明经过训练的RBF神经网络可有效地用于阵列天线方向图建模,为天线分析与设计提供很好的帮助.     

改进型RBF神经网络对ROF前传系统非线性行为建模

光载无线电(Radio-over-Fiber, ROF)前传系统在C-RAN基础上简化了基站RRH架构,但是ROF前传系统下行链路包含功放等非线性器件,依然面临非线性失真.先通过行为模型建模得到整个系统的非线性特性是对整个系统构建预失真器极为重要的步骤.针对ROF前传系统下行链路行为模型建模分析,以径向基函数神经网络为基础,提出了改进型复数径向基函数神经网络模型(Improved Complex RBF Neural Network,ICRBFNN),以4 MHz带宽的LTE信号作为测试信号,并与传统的功放模型广义记忆多项式(General Memory Polynomial, GMP)、改进型广义分数阶记忆多项式(Augmented General Fractional order Memory Polynomial,AGFMP)、实数时延神经网络(Real-Value Time-Delay Neural Network, RVTDNN)、实数时延径向基函数神经网络(Real-Valued Time-Delay Radial Basis Function, RVTDRBF)等功放行为模型作对比来验证模型的有效性.仿真实验结果表明,ICRBFNN相比传统功放模型取得了3 dB以上的建模精度提升.     

温度控制系统时滞对象的先进PID控制方法研究

滞后问题在工业过程控制中普遍存在,为使温控系统时滞控制获得较好的控制效果,选取反向传播(Back Propagation,BP)神经网络和径向基(Radial Basis Function,RBF)神经网络两种先进PID控制算法整定控制参数.运用Matlab软件对控制算法进行仿真并对比分析算法的控制效果,为系统控制算法选取及模块开发提供参考.     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于RBF的汽车纵梁加工质量检测系统研究

针对大尺寸的汽车车架纵梁装配孔检测方式落后、效率低的问题,提出了一种基于RBF神经网络和线形结构光的汽车纵梁装配孔的机器视觉在线检测系统.利用RBF可以逼近高阶输入输出非线性系统的特性,校正摄像机成像过程中的高阶畸变,提高了系统的检测精度.该检测系统经生产现场测试,在汽车车架尺寸范围内其装配孔尺寸检测精度达到±0 1 mm,位置检测精度不大于±0 3 mm,检测时间不超过1.5 min/根,能够满足汽车车架纵梁在线检测的要求.     

Extensible Framework for Rao-Blackwellized Filtering

The Rao-Blackwellized Particle Filter (RBPF) is widely used for high dimensional nonlinear systems, often with a linear Gaussian substructure. However, the RBPF is just a specific method in the class of Rao-Blackwellized Filtering (RBF). This paper analyzes the recursive structure of the RBF from a more general perspective. The research starts from a general system model and studies the interconnected relationships between the two subspaces during the iterations. The results illustrate the working mechanisms of the RBF with an extensible framework for easily building Rao-Blackwellized algorithms with common nonlinear filters. Several examples are given to illustrate how to build new filters using this framework.     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

基于RBF神经网络模型的高校教育资源利用绩效评价决策支持系统

高校教育资源利用绩效评价的数学模型是一个高度非线性的黑箱模型,由于RBF神经网络收敛速度快,具有良好的非线性拟合能力,因此采用RBF神经网络模型进行高校教育资源利用绩效评价.研究了XML数据库的结构及功能实现方式,利用其方便、通用性强、文档结构明晰的优点来进行训练样本的存储;利用Matlab构建RBF神经网络,将神经网络与XML数据库相结合,开发出高校教育资源利用绩效评价决策支持系统.运行结果表明,通过这种方式搭建的高校教育资源利用绩效评价决策支持系统通用性高,泛化能力强.     

基于相似性最优模块神经网络的股票预测

该文提出一种最优模块化神经网络的模型.BP网络存在学习后面的样本而"遗忘"前面的样本,以及训练速度很慢的问题,但具有泛化能力强的优点,同时网络的结构不会随数据增加而变的庞大.而RBF网络随着输入维数增加其隐藏层的神经元个数呈指数增加,并且其泛化能力不强,但RBF网络具有训练速度比较快,逼近效果好等优点.于是提出最优模块化神经网络的模型,综合BP和RBF网络的优点.使学习样本能力,运算速度,网络规模得到改善.该模型适合于较多的样本训练.     

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.     

RBF神经网络主成分分析法在交通量预测中应用

文章基于径向基函数(RBF)神经网络应用于交通量预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降这一问题,提出了一种改进的RBF神经网络主成分分析法。用实例证明,该方法在模拟预测中与一般的RBF神经网络模型相比有较好的效果。     

BPNN-HDMR非线性近似模型方法及应用

提出基于误差反向传播神经网络(Back Propagation Neural Network,BPNN)的高维模型表示(high dimensional model representation,HDMR)方法,即BPNN-HDMR方法.BPNN-HDMR方法的显著优势是将BP神经网络的非线性函数逼近能力与高维模型的层级结构理论相结合来构建近似模型,并能够揭示输入变量之间固有的线性或非线性关系及其相关性,将构造模型复杂度由指数级增长降阶为多项式级,有效地解决了高维建模问题.通过测试和对比验证了该算法的效率和建模能力,并将该算法应用于矿用自卸车安全驾驶室翻车保护装置(Roll-Over Protective Structure,ROPS)的优化设计.通过优化结果验证了所提方法的可行性和有效性.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.