一种基于进化计算的高斯径向基网络模型构建方法

为了提高高斯径向基神经网络模型的构建精度,将径向基中心、基宽以及连接权构成分区实数编码结构,将训练样本集作为每一个进化个体解码后的网络输入及输出,并将样本的期望输出同网络实际输出的平均误差平方和作为进化个体的适应度函数,将不同隐层节点数构成的进化个体的最优值作为设计问题的高斯径向基网络结构.采用2个Benchmark测试函数验证在不同隐层节点数情况下通过该进化算法构建的径向基模型的精度,从进化时间、进化代、最小适应度值以及均方根误差等方面作对比.结果表明,采用这种分区实数编码能高精度地构建不同设计问题的高斯径向基网络模型.     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

面内载荷作用下复合材料层合板的稳定优化分析

讨论了双向增强层合板在面内载荷作用下使屈曲载荷最大的铺层优化分析，从数 学上证明了在压缩及剪切载荷同时作用下使屈曲载荷最大的最优铺设结构必定是对称 铺设结构，并且无论其层数是多少其最优铺设角不会超过３个不同角度。同时，讨论 了材料刚度比变化对最优铺设角的影响。     

基于稳定性的复合材料层合板铺层顺序优化

应用数学规划法对复合材料层合板的铺层顺序进行优化设计,以提高层合板结构的稳定性,并通过刚度等效的思想,结合铺层顺序代理模型实现优化目的.利用单层正交各向异性板的弹性模量、泊松比、剪切模量等属性模拟不同铺层顺序的层合板刚度,在此基础上,提出铺层顺序代理模型,并推导铺层顺序代理模型与刚度等效模型间的数学关系,将对离散的铺层顺序变量的优化转化为对连续变量的优化.算例中利用该优化方法求解层合板的具有最优抗失稳特性的铺层顺序,通过优化设计显著提高了层合板的稳定性.     

基于径向基神经网络的风电场无功补偿优化算法

 针对风电场无功补偿容量计算工作量大、计算过程复杂的问题,提出了应用径向基神经网络优化风电场无功补偿容量计算的方法。首先建立了含风电场的电力系统潮流计算模型,以某风电场实际有功功率作为模型的输入,计算该风电场所需的无功补偿容量;以有功功率作为输入数据,以计算所得的无功补偿容量作为目标输出,建立径向基神经网络,并对该神经网络进行训练。用训练后的径向基神经网络代替潮流计算模型,对该风电场所需无功功率进行计算,结果表明,该方法计算复杂度比潮流计算模型低,计算量少。研究表明可用训练后的径向基神经网络模型代替潮流计算模型,实时计算风电场无功补偿容量。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于径向基函数神经网络和NSGA-Ⅱ的气保焊工艺多目标优化

以焊缝高宽比和深宽比作为优化目标,结合径向基函数神经网络和带精英策略的非支配排序的多目标遗传算法NSGA-Ⅱ,实现了多目标优化.建立了以焊接电压、送丝速度、焊接速度作为自变量,预测焊缝熔宽、余高和熔深的5种模型,即误差反向传播神经网络、遗传算法优化的误差反向传播神经网络、克里金插值法、径向基函数神经网络和二阶多项式回归模型.对比分析表明,径向基函数神经网络具有较高的预测精度和稳定性,最为合适.最后,利用NSGA-Ⅱ算法实现了以盖面焊和填充焊为应用场景的工艺参数多目标优化,试验证明了该优化方法的有效性.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

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。     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

正交层合壳屈曲问题中相似性的探讨

给出圆柱薄层壳屈曲的临界载荷,编制了计算程序;探讨了正交铺层的复合材料层合壳在屈曲问题中的某些相似特征,根据模型和原型间在几何上或材料上的相似比,预测出原型的屈曲临界载荷,为复杂结构的参数化设计及研究奠定了基础。     

基于正交最小二乘法的径向基神经网络模型

为提高神经网络模型的预测精度以及提高模型的计算效率,减少获得高精度模型的计算量,构建了基于正交最小二乘法的高斯径向基神经网络模型结构,给出了最小二乘法高斯径向基神经网络的递归模型.依据样本点序列信息,给出了高斯径向基函数中心参数的确定方法,并采用正交最小二乘法回归迭代,从而获得隐层同输出层间的连接权参数值.采用混沌Lorenz时间序列预测问题对该设计的网络模型进行验证,并同其他文献对该序列预测的精度以及迭代所需的时间作对比.结果表明,采用该设计方法获得的网络模型具有时间预测精度高及计算效率高等优点.     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于PSO-RBF神经网络的串联机械臂逆运动学分析

针对目前基于神经网络对串联机械臂求逆解方法中出现的精度不足和实时性较差的问题,使用粒子群优化(particle swarm optimization,PSO)算法对径向基函数(radial basis function,RBF)神经网络进行结构优化,提出一种基于PSO-RBF神经网络的机械臂逆运动学算法。首先由正运动学模型获取神经网络训练和测试参数样本,经过欧拉角变换在神经网络输入端建立机械臂关节位姿映射关系,然后通过PSO算法对径向基核函数进行参数寻优并对测试样本求解分析,最后获取经逆运动学求解后机械臂的运动轨迹,验证了该算法的可靠性。仿真结果显示,由PSO-RBF神经网络逆运动学算法能够快速得出满足精度要求的关节角度,为进一步机械臂工业控制提供了理论支持。     

板料回弹控制的成形工艺面多目标优化

针对高强度板成形后回弹大的问题,以工件回弹前后对应节点的位移偏差和等效塑性应变裕度最小化为目标,以板料最大增厚率和最小减薄率为约束条件,建立基于车身侧外板回弹控制的工艺面多目标优化模型.采用实验设计(DOE)和径向基函数(RBF)神经网络方法建立优化代理模型,对均匀实验设计方案进行改进以提高优化精度,并与未改进的RBF神经网络和响应面(RSM)代理模型的优化结果进行对比分析.结果表明,建立的多目标优化模型是合理的,改进RBF神经网络代理模型的优化精度较高,在所抽取的满意解中,回弹和等效塑性应变裕度目标函数的相对误差分别为15.9%和2.2%.与实验设计中回弹量最大的样本方案相比,优化后车身侧外板回弹量减少5.149 2 mm.     

T形管液压成形自适应径向基函数优化设计

讨论T形管液压成形加载路径代理模型优化的设计.采用径向基函数(RBF)模型,引入自适应优化算法,通过逐步向静态RBF模型样本库中增加样本点的方法,提升最优点附近局部近似计算精度,进而提升全局精度并获得最优解.该方法兼顾了优化效率与计算精度.首先通过数值算例证明此方法应用于全局优化的有效性;然后,以管件与中间冲头接触面积最大为优化目标,以最大减薄率小于对标实验值、成形高度大于对标实验值为约束条件,通过拉丁方试验设计抽取一定数量的样本点并调用实际分析模型构建T形管液压成形加载路径优化自适应RBF模型,开展载荷路径优化设计.结果表明,在最小厚度与成形高度不变的情况下,T形管与中间冲头的接触面积较对标实验值提高了71.912%.     

采用自适应最小化置信下限和SMOTE算法的动态代理模型

利用最优拉丁超立方试验进行初始采样，建立基于自适应最小化置信下限和SMOTE算法的动态径向基函数代理模型.将自适应平衡常数引入到最小化置信下限准则中，通过多岛遗传算法对置信下限进行寻优.根据代理模型精度，在最优解处运用SMOTE算法动态地新增样本点，进而更新代理模型，直至收敛.经过数学算例测试后，将该优化策略应用于深潜器耐压舱的优化中，与其他动态代理模型相比，该策略的优化效率和精度显著提高.     

人工神经网络预测固体化合物中阳离子的标准熵

用2个描述符作为神经网络的输入参数,用这些结构描述符和35种固体化合物阳离子标准熵建立了神经网络模型,建立的贝叶斯正则化网络和径向基网络整体性能稳定,预测准确度高,是一种很好的预测阳离子标准熵的方法.