RBF网络在线建模方法在热误差实时补偿技术中的应用

应用径向基(RBF)神经网络模型的学习性能,对一台数控加工中心的主轴温度与主轴径向热误差关系分别进行离线建模与在线建模对比研究,并将2种建模方法用于实例分析.结果表明,RBF神经网络模型能够反映数控机床的热特性,准确实时预报机床热误差.当工况发生较大变化时,在线建模能够及时补充系统信息,更好地反映机床系统热性能,从而精确预报机床的热误差,提高了误差补偿效果.     

基于RBF神经网络的客户分类模型

运用径向基函数（RBF）神经网络和K均值聚类算法建立了客户价值分类模型,并用最小二乘法调整RBF的权值．仿真结果证明了该方法的有效性．     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数（RBF）神经网络的烧结终点预测模型。该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值。通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法。     

基于神经网络误差补偿的混沌系统广义预测控制

本利用BP结构神经网络，对混沌系统的建模误差进行预测，并将其补偿到广义预测控制中，以提高算法的鲁棒性，线性模型和神经网络的学习均采用阻尼最小二乘算法．仿真结果表明该算法对混沌系统控制的有效性．     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

基于径向基函数的概率神经网络的心律失常自动识别

讨论了基于径向基函数(RBF)的概率神经网络的基本网络结构和网络的学习和运行过程,并且与BP算法 的径向基神经网络进行了对比,同时也测试了网络的容错能力．结果表明,基于RBF的概率神经网络,学习速度大 大提高,同时减小了BP陷入局部极小的问题,有一定的抗噪声的能力．基于RBF的概率神经网络模型在心律失常 自动识别中获得了很好的应用．     

基于归一化RBFNN的执行器非线性模型及其特性补偿

执行器的动态非线性特性是影响控制系统控制效果的一个重要因素,采用归一化径向基函数神经网络NRBFNN,通过竞争学习算法RPCL确定RBF中心,用递归最小二乘法估计网络的输出权值,建立了执行器动态非线性特性模型及其逆模型,通过信号补偿方式来改善执行器的动态特性,仿真结果表明了该方法的有效性.     

分段修正系数建模数控机床热误差

首先分析了建立在最小二乘法基础上的线性回归分析建模原理的不足及其局限性，在此基础上提出了分段修正系数建模机床热误差方法，并对其原理及建模补偿策略进行了详细推导.通过对数控车削加工中心主轴径向热误差进行建模补偿试验，可以看到，在建模时使用的原始采样点处，拟合误差几乎为零，代入非原始采样点数据时，由模型算得的热误差补偿值和原始采样数据具有很好的拟合性，表明这种建模方法可有效提高热误差补偿精度.
     

基于GM-LS-SVM层级模型的数控机床热误差建模

为了更精确地对数控机床热误差进行预测及补偿以提高其加工精度,针对单独使用灰色模型或最小二乘支持向量机模型进行机床热误差建模的不足,并利用这2种模型在数据不同处理阶段的优点,提出一种基于灰色模型和最小二乘支持向量机层级模型的数控机床热误差建模方法。根据机床关键点温度数据和热误差数据,首先建立多个不同数据序列长度的机床热误差灰色模型作为前处理层,然后把经过前处理层前处理的热误差和实测热误差分别作为最小二乘支持向量机模型的输入和输出,作为后处理层,以进行预测精度校正。利用该方法在一台精密卧式加工中心上进行建模实验,并与单独使用灰色模型、最小二乘支持向量机模型和BP神经网络模型进行预测精度对比分析。研究结果表明:基于灰色模型和最小二乘支持向量机层级模型的数控机床热误差建模方法具有更高的预测精度和更强的泛化能力。     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性     

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.     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

具有干扰解耦能力的鲁棒在线故障诊断

针对一类带有未知输入干扰和模型不确定性系统,提出了一种新型鲁棒在线故障诊断方法,该方法综合应用带有未知输入状态观测器技术和RBF神经网络的在线建模能力,利用状态观测误差实时调整RBF神经网络的权值,使其不但能在线实时检测、分离、估计故障信号,而且对未知输入干扰具有解耦能力,对有界模型不确定性具有鲁棒性,给出了该方法的鲁棒性和灵敏度的分析结果,仿真结果表明了该方法的有效性。     

P-C-R模型构建及应用

针对目前预测模型精度低的问题,提出将主成分分析、聚类分析用于RBF神经网络预报建模,从而克服大样本数据提取的困难,使得指标的选取能更全面地反映状况,有效地缩减RBF网络的输入节点数并提高模型的预报精度。利用MATLAB的神经网络工具箱,实现了神经网络训练和仿真验证。仿真结果表明,该模型有较高的预报能力。提出的基于主成分分析和聚类分析的RBF网络预报模型---PCR模型为研究预报提供了一个新的思路和方法,并为其他领域的建模研究开阔了思路,具有一定的理论价值和的应用价值。     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

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。