基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

基于矿热炉外磁场信号的三相电极位置检测系统设计

针对矿热炉三相电极位置精确测量、节能降耗和安全生产的需求,设计一种基于矿热炉外磁场信号的三相电极位置检测系统。首先根据矿热炉的实际构造,结合COMSOL Multiphysics软件,建立矿热炉仿真模型,并对矿热炉磁场进行分析,选取外磁场信号采样点。在选取的采样点,采集具有不同电极位置的矿热炉模型的外磁场信号,建立矿热炉外磁场信号样本集。根据该样本集,应用偏最小二乘(partial least squares,PLS)回归分析、径向基函数神经网络(radial basis function neural network,RBFNN)和粒子群优化RBFNN(particle swarm optimized RBFNN,PSO-RBFNN)分别建立矿热炉三相电极位置检测模型,并结合MATLAB GUI建立基于矿热炉外磁场信号的三相电极位置检测系统。实验结果表明,检测系统的三种模型都可以实现对电极位置的检测,其中PSO-RBFNN模型的效果最优,三相电极位置检测准确率达到94.98%(训练集),90.21%(测试集),均方根误差为0.053 5(训练集)、0.131 1(测试集)。提出的检测系统能够较精确地测量三相电极在矿热炉内的位置,实现非接触式检测,具有较好的实用价值和应用前景。     

基于RBF神经网络的异向介质基本单元分析

利用径向基神经网络(RBF神经网络)对异向介质的基本单元进行分析,建立异向介质等效介电常数及等效磁导率与介质敏感结构参数之间的神经网络模型.实验结果表明,该模型所得结果与全波分析相吻合,分析时间为138.465793s,训练平方和误差为0.0374879,满足工程要求.验证了该模型的可靠性及合理性,减少数值分析法由于厚度谐振等问题而引起的结果错误问题,解决了异向介质分析精度与效率难以共存的问题.     

基于DHP方法的锅炉燃烧系统优化控制研究

电厂锅炉燃烧过程是一个典型的强非线性、多输入、多输出、强耦合过程,以这一直接影响机组安全经济运行的复杂过程控制为研究对象,研究火电厂锅炉燃烧系统的优化控制.首先,采用径向基函数神经网络(radial basis function neural network,RBFNN)对电厂锅炉燃烧系统进行了建模和模型测试.然后,用...     

基于径向基函数网络的非线性系统内模控制

针对非线性系统的内模控制，从理论上分析了神经网络控制器的可实现问题，并且用径向基函数(RBF)神经网络实现内部模型及逆模控制器，同时改进了径向基函数中心的学习算法。仿真结果表明，基于RBF网络的非线性系统内模控制的动态性能较好，对于对象参数扰动具有一定的抗扰性。     

RBF网络在交通流模型辨识中的应用

利用径向基函数 (RBF)人工神经网络来逼近已知的交通流非线性解析模型 ,讨论了高速公路交通流模型的辨识问题。提出了一种带反馈的 RBF网络模型 ,讨论了其训练算法。算法分两步实现 ,第一步利用一种改进的聚类分析方法确定隐层节点核函数的中心点 ,第二步用最小二乘法确定从隐层到输出层的连接权。最后将训练好的网络模型和给定的解析模型同时进行仿真计算 ,得出了当某路段出现突发性交通事故时交通流密度和平均速度的变化曲线。仿真结果说明 RBF神经网络模型的训练速度快和辨识精度还是令人满意的     

基于遗传算法和神经网络的色谱重叠峰解析

提出了一个新的色谱重叠峰解析方法———基于遗传算法(GA)和EMG模型的径向基函数神经网络(EMG-RBFNN)的色谱重叠峰解析。为了使EMG-RBFNN具有结构重组能力,用于色谱重叠峰解析的EMG-RBFNN采用了遗传算法。遗传算法具有鲁棒性和全局优化能力,若种群过小,则陷于局部极值点的概率将增高,而EMG模型是一个低效模型,选用过大的种群,必然使解析过程加长。为了提高算法效率,文中提出先用高效色谱峰近似模型———标准高斯模型进行繁衍,而后再用EMG模型的快速算法。     

一种新型径向基函数神经网络学习算法：递归正交最小二乘法（ROLS）

径向基函数神经网络在很多领域得到了成功的应用。但迄今为止仍没有一种有效的方法来确定隐层中心数目，笔者将递归正交最小二乘（ROLS）方法引入RBFNN建模训练，利用ROLS算法训练网络后所得的有用信息，采用后向选择算法，逐步去掉那些使网络残差增加最小的中心，在得到网络有效中心的同时，还满足了精度要求，从而大大简化了RBF网络结构，节约了大量的存储空间以及计算量。仿真和实验结果表明该方法是有效而实用的。     

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.