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。     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

基于MPSO-RBF混合优化的过热汽温神经网络自适应控制

提出了基于改进PSO算法的RBF神经网络混合优化(MPSO-RBF)方法,该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合,克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点.针对具有较大惯性和滞后的非线性系统构造出一个基于MPSO-RBF混合优化方法的带输入迟延链的复合神经网络自适应控制系统(MPSO-NNC),针对某超临界600MW直流锅炉高温过热器的过热汽温控制进行了仿真试验,并与GA-RBF和Smith预估控制效果进行了对比,结果表明该方法具有更好的性能指标.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于PSO-RBF监测预测模型的电力电子电路

针对现有电力电子电路故障状态预测技术的不足,提出将电路特征性能参数与粒子群算法(PSO)优化的径向基函数(RBF)神经网络相结合,对电力电子电路进行故障状态监测预测.以电源电路中Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波电压值作为电路特征性能参数,并利用改进后的RBF神经网络实现状态预测.结果表明,利用PSO改进后的RBF神经网络对电路输出平均电压和纹波电压的预测比单纯RBF神经网络预测的结果更加精准,能够跟踪电源电路状态特征性能参数的变化趋势,有效实现电力电子电路状态监测和预测.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。     

基于径向基神经网络的油藏反演方法

文章提出一种基于径向基(radial basis function, RBF)神经网络的油藏反演方法。该方法利用抽样生成的井底压力数据构造RBF神经网络模型，由RBF神经网络预测值与实际观测值的偏差定义目标函数，再利用粒子群算法(particle swarm optimization, PSO)对其进行优化，最终得到不确定参数的最优解和反演参数。与多项式拟合方法相比，RBF神经网络方法具有更好的拟合结果和更高的精度，甚至在多项式拟合方法失效时，该方法也能得到很好的模拟结果。油田实际算例表明，该方法具有良好的拟合效果，能大幅提高反演效率，具有很好的应用前景。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

一类间歇过程的优化及非线性预测控制

基于主产物浓度和反应温度的RBF神经网络模型,使用粒子群优化算法(PSO)求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。利用RBF神经网络建立了反应器冷却水控制温度阶段的预测模型,采用非线性预测控制,并引入了模型误差项,增强了控制方法的鲁棒性和间歇过程的抗干扰性能。利用 Lyapunov 原理对该预测控制算法做了稳定性分析,确定了系统稳定条件下的参数的取值范围。同时编制控制程序在多功能过程及控制实验装置(MPCE)装置上实现了算法的控制,并与以升温速率为基准的特殊PID调节器的控制结果比较,结果证明了基于RBF神经网络非线性预测控制方法的有效性。     

混合算法实现的RBF神经网络及在模式辨识中应用

把模糊聚类算法和RBF神经网络结合起来,得到一种基于混合算法的RBF神经网络.首先由改进的FCM算法确定神经网络结构;然后利用监督学习对网络参数进一步优化,并对输出权值调整.使网络不仅具有最优的拓扑结构,而且又具有较强的映射能力.对驾驶员的疲劳程度进行识别,得到了满意的结果.     

基于RBF神经网络车速控制的再生制动系统测试

针对纯电动汽车再生制动系统优劣评估问题,提出了一种基于车速自动跟踪的再生制动系统测试方法.首先根据离线测试数据推导车速跟踪开环控制动态数学模型;然后用RBF神经网络搭建车速跟踪闭环控制驾驶员模型;最后利用PSO算法对RBF神经网络参数进行优化.在试验室自主研发的整车惯性模拟台架上进行试验,试验结果表明:用RBF神经网络算法控制车速跟踪相比传统模糊PID控制减小了车速跟踪误差,提高了再生制动系统测试的准确性,该方法在实际再生制动测试中应用是可行的.     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。     

优化的RBF神经网络实现FAIMS分离电压温度补偿研究

针对高场非对称波形离子迁移谱仪(FAIMS)分离电压温度漂移造成的其物性表征的不确定性问题,提出了一种采用径向基函数(RBF)神经网络对分离电压进行温度补偿的方法。为了提高算法的实时性,加快函数逼近速度,采用指数下降惯性权重(EDIW)动量因子策略对RBF神经网络参数进行了优化。在20～120℃的温度范围内对该算法及线性下降惯性权重(LDIW)动量因子策略优化的RBF神经网络和传统RBF神经网络等3种补偿算法进行对比。结果表明,指数下降惯性权重动量因子策略优化的RBF神经网络模型具有更少的迭代次数和更短的运算耗时,使分离电压很好地保证了对特定物质离子表征的唯一性,同时验证了该模型还具有较强的泛化能力。对分离电压采用温度补偿的方法也为实现迁移管无恒温控制提供了理论依据。     

优化的径向基函数(RBF)神经网络实现高场非对称波形离子迁移谱(FAIMS)分离电压温度补偿研究

针对高场非对称波形离子迁移谱仪(FAIMS)分离电压温度漂移造成的其物性表征的不确定性问题,提出了一种采用径向基函数(RBF)神经网络对分离电压进行温度补偿的方法。为了提高算法的实时性,加快函数逼近速度,采用指数下降惯性权重(EDIW)动量因子策略对RBF神经网络参数进行了优化。在20~120℃的温度范围内,对该算法及线性下降惯性权重(LDIW)动量因子策略优化的RBF神经网络和传统RBF神经网络等3种补偿算法进行对比。结果表明,指数下降惯性权重动量因子策略优化的RBF神经网络模型具有更少的迭代次数和更短的运算耗时,使分离电压很好地保证了对特定物质离子表征的唯一性,同时验证了该模型还具有较强的泛化能力。对分离电压采用温度补偿的方法也为实现迁移管无恒温控制提供了理论依据。     

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。     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于RBFNN和PSO求解第二类Volterra积分方程的混合方法

提出一种基于RBFNNs和PSO求解第二类Volterra积分方程的混合方法.先将积分区间离散化为点集,并代入积分方程得到方程组,再利用RBF神经网络逼近积分方程中的未知函数,将所求解问题转化为残差平方和的极小化问题.利用PSO算法求解残差平方和的极小化优化问题,得到RBF神经网络的参数,即得问题的逼近解.数值实验表明,该方法可行有效.     

粒子群优化算法综述

粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术,通过粒子间的相互作用发现复杂搜索空间中的最优区域,优势在于简单容易实现而且功能强大.由于它简单易操作的特点,PSO—提出,立刻引起演化计算等领域学者们的广泛关注,并在函数优化、神经网络训练、工业系统优化和模糊系统控制等领域得到了广泛的应用.介绍了基本的PSO算法、若干类改进的PSO算法及其应用.     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.