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。     

基于径向基函数神经网络滑模控制的运动控制系统

针对运动控制系统的非线性动态摩擦力,为提高系统的位置跟踪精度,利用-种径向基函数(RBF)神经网络滑模控制方法.采用一种具有指数形式的非线性摩擦力,利用径向基函数神经网络在线估计系统的不确定动力学,利用李亚普诺夫稳定性理论推导出网络权值的在线自适应律.仿真结果表明了该控制策略的有效性.     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

基于神经网络的固体氧化物燃料电池电堆建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂,难以满足工程上对SOFC系统实时控制设计的需要,提出了利用遗传算法(GA)优化径向基函数(RBF)神经网络实现对SOFC电堆建模。在建模过程中,利用遗传算法优化RBF神经网络的输出权值及高斯基函数的中心向量和基宽向量,采用优化后的参数作为网络初始值,然后利用梯度下降法对各参数进行调整。通过仿真对该建模的有效性和建模精度进行了检验。     

非线性伺服机构的神经网络建模

本文研究了利用径向基神经网络辨识某伺服机构的问题，本文采用了具有自适应步长的Ｋ－均值聚类算法对网络中心进行调整，学习算法中的局部卡尔曼滤波器考虑了径向基网络的空间和参数局部特性，有效地提高了算法的收敛性与学习速度；仿真结果表明了ＲＢＰ网络对伺服机构建模的有效性。     

基于LS-SVM的燃料电池控制建模的研究

由于直接甲醇燃料电池数学模型的复杂性难以满足工程上对DMFC控制系统的设计，提出一种基于最小二乘支持向量机建模算法，用具有RBF核函数的LS-SVM离线建立DMFC电堆的非线性模型；仿真和实验结果表明了该建模方法具有建模简单、模型精度高等优点，亦证明了该算法的有效性和优越性。研究结果对直接甲醇燃料电池控制系统的建模和控制具有一定的实用价值。     

基于小波与径向基函数的大气污染预测研究

提出了一种实用于大气污染物的小波分析和RBF(RadialBasisFunction)神经网络相结合的预测方法,对污染物TSP(TotalSuspendedParticles)进行预测,得到与观测值相符的结果。应用小波分析进行检测,消除了预测数据中奇异点所包含的奇异信号。在此基础上应用RBF神经网络进行预测,研究结果表明,小波分析的利用提高了预测精度,验证了该方法简便、快捷,具有较强的实用性,为环境管理部门宏观调控提供了理论基础。     

基于神经网络辨识的质子交换膜燃料电池建模

针对质子交换膜燃料电池(PEMFC)系统过于复杂，难以建模，而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络辨识方法应用到PEMFC强非线性系统的建模中，避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量，电池电压、电流密度为输出量，利用500组实验数据作为训练样本，采用改进型BP算法，建立了不同温度下电池电压—电流密度动态响应模型。仿真结果表明，方法可行，建立的模型精度较高，从而为设计PEMFC实时控制系统奠定了基础。     

基于岭回归径向基神经网络的MIMU误差建模

对MEMS（Micro Electro Mechanical systems微电子机械系统）IMU（Inertial Measurement Unit惯性测量单元）的随机漂移和误差进行建模和补偿是提高捷联惯导系统性能的主要方法之一。为了避免径向基（RBF）神经网络输出之间可能存在的复共线性,更加准确有效的对MIMU的输出误差建模,提出将岭回归径向基神经网络用于MIMU的误差建模中。通过与时间序列建模方法的仿真比较表明,在对MIMU误差补偿上所建立的岭回归RBF网络与四阶AR模型方法精度相当,比一阶AR模型精度高,而且无需对数据平稳性处理。

Abstract：

It is one of the main methods to improve the performance of Strap-down Inertial Navigation System for compensating the random drift and bias of MEMS （Micro Electro Mechanical systems） IMU （Inertial Measurement Unit）. In order to eliminate latent multicollinearity of radial basis function neuron network output layer and model the drift and bias of MIMU accurately,the radial basis function neuron network based on ridge regression method was proposed which was applied in modeling and compensating MIMU errors. The simulation shows,compared to the AR model,the precision of compensation of MIMU error using radial basis function neuron network based on ridge regression method is equal to the fourth order AR model,better than first order AR model,and no data stabilization processing.     

径向基函数网络泛化能力研究及其应用

通过分析径向基函数网络(RBF网络)结构及影响其泛化能力的因素,提出一种通过网络泛化误差自动调节隐层节点数以得到最佳节点数的方法。将采用这种算法的RBF网络用于对船舶焊接变形过程进行建模并预测其输出。仿真表明这种算法可以显著提高传统RBF网络的泛化能力。     

基于一种改进的RBF神经网络的直接甲醇燃料电池建模

针对直接甲醇燃料电池(DMFC)系统过于复杂，难以数学建模。应用一种改进的RBF神经网络对DMFC系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的输入量，电池电压／电流密度为输出量，利用1000组实验数据作为训练和测试样本，建立了不同甲醇浓度和流速下电池电压／电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验，并与BP神经网络辨识的效果进行了对比。仿真结果证明RBF神经网络比BP神经网络收敛得快，建模精度高，从而为设计DMFC实时控制系统奠定了基础。     

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。     

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RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能，直接甲醇燃料电池（DMFC）堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法，避开了电堆的内部复杂性；在控制过程中，将训练好的网络模型作为DMFC控制系统的参考模型，采用一种改进的模糊遗传算法（FGA）在残对神经模糊控制器的参数进行自适应调整。采用最近邻聚类算法小（NNCA）对控制器的模糊规则库进行更新。在仿真实验中，将所提出的算法与非线性PID和传统模糊算法进行比较，结果表明所设计的神经模糊控制器具有较好的性能。     

基于Chebyshev基函数模糊神经网络的快速辨识方法

神经网络的非线性逼近能力的研究是神经网络成为辨识模型的理论基础。首先研究了基于正交多项式函数的神经网络逼近理论和方法,并在此基础上证明了新型Chebyshev神经网络具有良好的非线性并研究了它的全局最优逼近性质。然后提出了一种用于复杂非线性系统辨识的基于Chebyshev基函数的模糊神经网络模型和学习算法。该模型以Chebyshev基函数为隶属函数,规则后件采用输入变量的线性函数,无需调整隶属函数的参数,只是采用BP学习算法学习后件参数,因而大大减少了模型算法的计算量,学习算法简单,加快了学习收敛速度,而且不使网络结构复杂,设计简单。仿真结果表明所提模型和方法的有效性。     

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.     

基于优化的RBF神经网络模式识别新方法

提出了一种基于Hough变换优化的RBF神经网络模式识别新方法,该方法把Hough变换应用于RBF神经网络的参数确定中,实现了RBF神经网络的隐层节点数和数据中心值的自适应获取,提高了RBF神经网络的泛化能力。仿真结果表明:此改进的RBF网络用于模式识别中具有识别能力强,计算量小,识别速度快的优点,具有广阔的应用推广前景。     

一种新的RBF神经网络非线性动态系统建模方法

将遗传算法与正交优选法结合 ,用来训练径向基函数 ( RBF)神经网络 ,并对基函数宽度进行自动地调整 ,得到了一种训练 RBF神经网络的新方法 .将其应用于连续流体搅拌反应槽 ( CFSTR)生化反应器的建模中 ,得到了令人满意的结果 .该算法提高了径向基函数神经网络的泛化能力和鲁棒性 ,研究表明是一种有效的“黑箱”动态建模方法     

基于RBF神经网络的加热炉钢温预报模型

本文针对加热炉钢温预报模型存在的缺陷,研究用ＲＢＦ神经网络建立和加热炉钢温预报模型仿真结果表明所建立的模型简单,精度高,满足工程要求。