上海气温变化过程遍历特征分析

利用有限长度的气温序列变化资料估计其无限长时序的气温过程的统计特征,对于中长期气象预报以及全球的气候变化都是十分有意义的基础工作,所以对气温过程开展遍历性(各态历经性)分析是一个值得探索的课题.为此,基于模糊粗糙聚类(fuzzy-rough C-means clustering method,FRCM)、自相关趋势图、ADF(advanced Dickey and Fuller)检验以及模糊最小二乘回归提出一种具有普适性特点的遍历性分析方法,并以上海1873—1997年的气温序列为例,进行了具体的计算和分析.结果表明:上海7月份、8月份的最高气温和最低气温变化是均值遍历和协方差遍历的,因此其气温变化过程具有遍历特征.从长时间尺度来看,上海7月份、8月份最高气温和最低气温总体上不会长期呈上升趋势,它们的变化会围绕其均值波动.最后,对上述结论做了印证性分析,对上海气温变化过程进行了挖掘性分析,从遍历性的角度佐证了前人的一些研究成果.     

基于RBF神经网络的晶体生产组织评价

在晶体的生产组织过程中,采用相关分析法确定影响评价的主要因素,建立一种基于RBF网络的生产组织评价模型,利用最邻近聚类算法,确定基函数中心点,将该模型与BP网络模型进行比较,结果表明:RBF网络在学习时间和评估精度上优越于BP网络。     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

P阶整值自回归模型及其平稳性

本文讨论了具有p步依赖的整值自回归模型INAR(p)的建模,从理论上证明了INAR(p)的存在性及遍历性,给出了INAR(p)的平稳条件。     

基于自构建RBF神经网络的内模控制

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法。该方法中,神经网络的自构建学习算法包括结构学习和参数学习。结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构。神经网络的参数学习采用梯度下降法。将该神经网络用于内模控制,使得辨识被控远程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性。仿真结果表明了所提方法的有效性。     

基于自组织选取中心的广义RBF神经网络学习算法

根据RBF网络要学习的3个参数:基函数的中心、方差和权值,提出了广义RBF网络自组织选取中心的学习算法.该算法首先学习隐层基函数的中心与方差,然后学习输出层权值,仿真结果表明了该算法的有效性.     

基于RBF神经网络的PID控制器

传统的PID控制器参数难以整定,且依赖于对象的精确数学模型,适应性较差。针对传统PID控制效果不理想的问题,采用RBF神经网络对PID参数进行整定,并用MATLAB进行仿真,取得了令人满意的效果。     

基于遗传算法的RBF神经网络设计

采用了遗传算法自动构造ＲＢＦ网络,把网络结构的形式作为一个子集选择问题来解决,并提出了新的遗传操作算子来改进遗传算法,加快了收敛速度,提出了算法的实用性,文中介绍了遗传算法的结构与优化原理,并给出了ＲＢＦ网络结构的生成方法,用仿真结果证明了本算法的可行性。     

基于RBF神经网络的温度传感器故障诊断

采用RBF神经网络进行温度传感器故障检测,利用TE （Tennessee-Eastman）控制系统中的温度传感器的输出信息建立动态神经网络温度传感器输出模型,并利用该模型进行在线的故障检测,仿真结果表明该模型有很强的抗干扰性,同时还有较好的收敛性和稳定性.     

基于RBF神经网络的水文地质参数识别

水文地质参数识别问题是水文地质学上的一个难题。针对传统水文地质参数识别方法的局限性，提出了水文地质参数识别的径向基函数(RBF )神经网络方法，并通过算例验证了它的可行性与有效性，实现了水文地质参数的自动识别，提高了计算效率，比BP神经网络具有更好的参数识别效果。     

基于RBF模糊神经网络控制器的设计及仿真

本文结合模糊控制和神经网络控制各自的特点,设计了RBF模糊神经网络控制器,并应用到洗衣机的控制中.最后,在MATLAB中实现了仿真达到了预期的误差精度要求.     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

基于递推k-均值聚类算法的RBF神经网络及其在系统辨识中的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法,并用此对动态非线性过程进行辩识。仿真结果表明了本文方法的可行性。     

基于RBF神经网络的砂土液化预测

通过分析砂土液化成因及其影响因素,建立了砂土液化预测RBF网络模型,并与BP网络预测模型进行比较。测试结果表明,应用RBF网络模型对砂土液化进行预测,预测效果好,识别精度高．     

基于RBF神经网络的船舶航向模糊控制

船舶自动舵性能的优劣直接关系到船舶的航行安全和经济效益，针对船舶运动具有非线性、大滞后等复杂性的特点，将神经网络和模糊控制应用于船舶运动控制中。仿真结果显示它不仅具有常规控制的性能，而且具有更强的鲁棒性和适应非线性对象的能力。     

基于RBF神经网络的时间序列预测

分析了RBF神经网络的结构和学习算法,利用RBF神经网络和Matlab神经网络工具箱建立人口数量预测模型,并应用该模型对中国人口数量进行了预测.     

基于RBF神经网络的地下水位动态预测

在分析影响地下水位动态的诸多因素的基础上,在RBF网络的基础上建立地下水的水位动态预测模型.通过Matlab语言用计算机预测了地下水位动态,计算结果表明:与模糊识别法相比,RBF神经网络模型不仅计算精度很高,同时泛化能力也很强强等特点,能够正确反映地下水位动态变化,是一种值得推广的地下水位动态预测神经网络模型.     

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。     

基于RBF神经网络的非线性系统故障诊断

针对一类含模型不确定性的非线性系统,提出了具有强鲁棒性和高灵敏度的在线故障检测与诊断方法.其中,系统只有输入、输出可检测,故障是关于输入和状态的非线性函数.非线性在线估计器用于估计系统不确定部分,同时监视系统是否发生故障,估计故障的大小.仿真结果表明,故障诊断算法稳定.