基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

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。     

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RBF神经网络的认知无线电认知引擎设计

认知无线电(CR)是一种智能无线通信系统,它能根据环境变化、业务需求动态调整参数,提高系统性能,其核心技术是认知引擎的设计。认知引擎可引入人工智能领域的推理与学习方法来实现CR的感知、自适应与学习能力。为适应变化的无线环境和用户需求,提出基于径向基神经网络(RBF)的CR认知引擎设计方法,该法通过对经验知识和环境的学习,重配置通信参数,以达到资源合理分配,提高系统性能。该引擎由两层RBF神经网络组成,外层神经网络学习全局属性,内层神经网络学习局部属性,以解决路由协议及局部参数的学习配置。在训练RBF神经网络学习模型后,根据定义的两个测试基准函数,评估模型性能,仿真验证了该学习模型的有效性,且能够有效实现CR学习重构。     

一种新型的灰色RBF神经网络建模方法及其应用

针对神经网络建模预测时,其建模精度往往受到数据随机性的影响,以及灰色累加生成操作(AGO)具有减小数据随机性,使数据变得有规则的特点,提出了一种新型的建模预测模型———灰色径向基(RBF)神经网络模型。此模型能够减小数据中的随机性,加快网络的建模收敛速度,使神经网络的建模精度得以提高。将此灰色RBF神经网络应用到动调陀螺仪漂移数据建模中,并将其建模验证结果和单纯使用RBF网络的建模结果进行比较,结果证明此方法是可行而有效的。     

基于GA-Bp算法的收获机械脱粒性能建模与仿真

建立脱粒装置性能与其影响因素之间非线性模型的目的就是在不确定环境下，对影响脱粒性能的各因素进行优化使脱粒装置的各个性能指标达到最佳要求。它给出了基于GA与BP相结合的具体算法和实现过程。同时针对脱粒装置性能建模这一具体问题，给出了用于对脱粒性能进行建模的基于GA-BP算法神经网络的实现。用DELPHI语言开发的模型仿真软件对脱粒装置进行了性能建模仿真试验，试验结果验证了该模型用于脱粒装置性能建模研究的可行性。     

最小二乘支持向量机应用于西安霸河口水质预测

利用西安霸河10年的水质平均数据作为数据集,建立了基于最小二乘支持向量机的水质预测模型。通过适当的参数选择,其平均相对误差只有4.95%,预测的准确率达到95%。通过实例计算且与误差逆传播(BP)神经网络、RBF神经网络等预测方法进行了对比分析,表明该方法的平均预测精度较传统的神经网络方法提高约4%,且具有收敛速度快、泛化能力强等优点,可有效用于水质预测。     

基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

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.     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

某型航空发动机定检稳态故障诊断方法研究

以飞机飞行参数记录系统中发动机参数为基础,研究了RBF神经网络在航空发动机故障诊断中的应用。介绍了RBF网络的工作原理及实现算法,及根据测试样本确定阈值,建立了航空发动机故障诊断的数学模型,并通过该模型对某型发动机定检稳态的飞行参数据进行了辨识。结果表明该方法能有效地判断出某型发动机在定检稳态时的健康状况。     

光波导方向耦合器中神经网络应用研究

采用神经网络对光波导方向耦合器进行建模,用于对其进行分析,设计及优化。以两波导间距作为输入样本,光波导的耦合系数作为输出样本,进行神经网络模型训练。当模型训好后,在训练范围内把任意两波导间距输入到模型中,输出端迅速得到对应的耦合系数,与电磁场数值分析计算比较,误差小于1%。结果证明该方法具有快速、准确、可靠等优点,在科研和工程中具有很高的实用价值。     

改进的模糊神经网络应用于投标报价

针对模糊神经网络规则膨胀导致的网络训练速度慢和泛化能力弱的缺陷,提出了一种改进的基于T-S模型的模糊神经网络的结构和算法。网络结构包括前件和后件网络二部分,本文在后件网络中增加了一个隐含层以提高计算能力,在前件网络中运用了有效模糊规则选取的方法以提高收敛速度。最后将提出的网络结构应用于建筑工程的投标报价中,仿真结果证明:该网络能达到更高的误差精度、更快的训练速度和更好的泛化能力。     

基于RBF神经网络与Markov组合的飞行风险预测研究

为了更加准确地对飞机飞行安全性做出评估,在径向基(radial basis function,RBF)神经网络的基础上,通过引入马尔可夫链的方式进行误差修正,建立了一种拟合程度高且无需反复调整权值的新型评估模型.并以国内某航空公司A320机型近20年来发生的飞行机械故障为基础数据对模型进行训练、拟合、修正.将修正结果与单一RBF神经网络评估方法相比较,分析二者差异后得出误差降低的结论.为管控飞机飞行风险提供了方法拓展.     

基于改进PSO-BP算法的冷负荷预测模型

针对PSO-BP(Particle Swarm Optimization-Back Propagation)神经网络预测模型在冰蓄冷空调冷负荷预测中存在输入输出数据关联度低和预测模型存在误差的情况,提出了一种基于JMP数据处理软件、PSO-BP神经网络和马尔可夫链的组合预测方法.利用JMP处理输入数据,剔除耦合度低的样...     

基于深度强化学习的驾驶仪参数快速整定方法

针对深度强化学习方法对驾驶仪控制参数训练速度慢、奖励函数收敛性不好等问题,以三回路驾驶仪极点配置算法为核心,提出一种将三维控制参数转换为一维设计参量的智能训练方法,构建离线深度强化学习训练叠加在线多层感知器神经网络实时计算的智能控制架构,在提高深度强化学习算法的效率和奖励函数收敛性同时,确保在大范围飞行状态变化条件下控制参数的快速在线自整定。以典型再入飞行器为例,完成深度强化学习训练和神经网络部署。仿真结果表明,强化学习动作空间简化后的训练效率更高,训练得到的驾驶仪对控制指令的跟踪误差在1.2%以内。