基于独立分量回归的加热炉钢温预报模型

轧钢加热炉系统具有多变量、非线性、大滞后、交叉耦合等特性,钢坯出炉温度的预报模型一直是个难题。仍然采用统计建模的思路,利用独立分量分析方法不依赖分布假设的优点,建立了钢坯温度变量和过程变量之间的独立分量回归预测模型。基于轧钢厂实际生产数据进行了建模与验证实验,误差比较分析表明,该模型能较好地预测钢坯出炉温度,且预测误差指标优于基于改进PCA的预报模型。     

基于模糊聚类RBF神经网络的生产指标预报模型

本文提出一种同图论中可达矩阵和区域划分思想相结合的模糊聚类方法,以此来确定RBF网络的隐含层节点数。并根据某选矿厂经济指标和生产指标之间的关系,建立了生产指标预报模型,并应用于选矿厂MES系统中,应用结果表明所建模型收敛快、预报精度高,使企业能够及时了解生产过程成本动态,优化生产运行管理。     

用RBF神经网络预报冷轧精整机组的成材率

分析了某冷轧厂的发货预报系统，并利用改进ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）神经网络学习算法建立了该系统中精整机组成材率的预报模型。仿真效果很好。文章最后就可能存在的问题提出了解决方案。     

基于相空间重构的RBF江水浊度预报研究

针对江水浊度序列非线性非平稳的特点,提出基于相空间重构的径向基函数(RBF)神经网络江水浊度预报法.利用虚假邻域法确定最小嵌入维数,根据互信息法计算最佳延迟时间;根据取得的嵌入维数和延迟时间对江水浊度时间序列进行相空间重构;利用重构相空间后的时间阵列,用RBF神经网络建立预报模型;利用该模型对江水浊度进行预报.最后通过仿真,证明基于相空间重构的RBF神经网络预报优于SISO-RBF神经网络预报和BP神经网络预报.     

基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数（RBF）神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2．02％,     

过热汽温系统的RBF神经网络控制

采用RBF神经网络直接构成神经网络控制器，将在线学习和控制相结合，这种方法不需要增加另一个神经网络对系统进行在线辨识，也不需要预先确定神经网络控制器的结构。通过将该方法应用于电厂过热汽温系统的控制进行仿真研究并与常规PID串级控制系统进行比较，结果表明控制系统的性能得到较大的提高。     

基于RBF神经网络的高斯混合近似算法

在分析RBF神经网络基本结构的基础上,提出一种基于RBF神经网络求解非高斯概率密度近似为高斯概率密度和的方法.该方法通过选取高斯函数作为神经网络的径向基函数,提取训练好的网络参数,运用这些参数构建混合成分的函数模型.理论分析与仿真证明,与传统采用EM近似算法相比,该算法具有求解跟初值的选取无关、能避免发散、收敛快的特点.     

基于RBF神经网络的作战效能评估方法

作战效能评估是现代作战模拟中的一个非常重要的环节,受到人们特别的关注.介绍了一种基于改进型RBF神经网络的作战效能评估方法,主要是依据样本数据动态调节网络结构与参数.然后基于EINSTein系统进行实例评估,仿真结果表明改进的RBF神经网络算法具有良好的自学习能力,以及预测精度高、可行性好等优点,可以广泛应用于作战效能的评估工作中.     

基于RBF神经网络的海杂波建模

从相空间重构理论出发，构造了一个RBF神经网络预测器来重构海杂波的内在动力学，并且利用这个确定性的模型时海杂波的演变进行预测。为验证模型的推广性能，采用了多步预测。对雷达采集的实际海杂波数据的实验结果表明，这个确定性的模型可以很好地追踪海杂波的演变。文中还分析了该RBF神经网络预测器在不同高斯白噪声条件下的预测性能，得出了其预测误差与杂噪比（CNR）的关系。     

基于RBF神经网络的短时交通流预测

根据短时交通流的特性，以神经网络技术为基础，构建短时交通流预测的神经网络模型，并用某高速公路实际短时交通流观测数据进行验证。     

基于遗传算法和径向基函数神经网络的转炉炼钢模型

针对转炉传统模型的弱点 ,本文在转炉建模过程中引入了遗传算法和径向基函数神经网络 ,由遗传算法辨识转炉过程的脱碳与升温模型 ,并利用径向基函数神经网络及时补偿辨识模型的误差。实际结果表明这一方法效果明显。     

RBF网络模型参考自适应控制在温度控制中的仿真研究

减压塔侧线温度系统是一个时变非线性复杂系统,采用常规的PID控制回路难以达到较好的控制品质。针对克拉玛依石化厂原油蒸馏装置中的减压塔,根据实际控制要求,提出了RBF神经网络模型参考自适应控制策略,设计了减压塔减三线温度控制系统,给出了RBF神经网络控制器和模型辨识网络参数的学习算法。仿真结果表明,采用提出的控制策略,控制效果非常好,完全达到控制要求。     

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点，采用一种模糊RBF神经网络复合控制的方法控制伺服转台，用模糊RBF网络进行伺服系统辨识，在线修改复合控制的参数，用来提高复合控制的鲁棒性。实际控制结果表明，所采用的方法具有很好的辨识能力和控制品质，并具有较高的鲁棒性。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。