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。     

基于三阶段RBFNN学习算法的复杂样本分类研究

以提高径向基函数神经网络(radial basis function neural network,RBFNN)的分类能力为出发点,把衰减半径聚类的思想与误差平方和准则结合起来,提出了RBFNN三阶段学习算法。该算法先利用动态衰减半径聚类确定隐节点的初始结构,再由误差平方和准则进行中心点微调,并用类内类间距确定径基宽度,最后采用伪逆法训练隐层与输出层间的连接权重。给出了算法的具体步骤,并通过Iris和WINES数据集的仿真实验,证明该算法确实具有较强的分类能力。     

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。     

基于自适应模糊神经技术的质子交换膜燃料电池建模与控制

质子交换膜燃料电池(PEMFC)是21世纪最有生命力的发电技术之一。本文从PEMFC实际应用的角度出发,应用自适应模糊神经网络技术对PEMFC系统进行建模与控制。在建模与控制过程中,将训练好的网络模型作为PEMFC控制系统的参考模型,并在线对控制模型参数进行自适应调整。所设计的控制器的性能在仿真和试验结果中得以证明。     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

基于RBF网络的模糊if-then规则快速提取

提出了一种基于径向基函数神经网络(RBF网络)的模糊规则提取的新方法。该方法快速、有效且提取的规则清晰。得到的模糊神经网络可用于非线性系统的逼近。     

基于模糊聚类与非线性最小二乘法的径向基网络设计

针对径向基网络构造的关键，径向基函数中心位置的合理选取，利用改进的模糊聚类法给出了径向基网络中心的选择算法，并在此基础上结合非线性最小二乘法，提出了一种新的网络递推学习算法，这种学习算法充分利用径向基网络的二次信息，迭代地确定径向基函数的中心位置和 网络的权系数。通过运用于泵站特性曲面的拟合，证明了该算法的行之有效的。     

直接甲醇燃料电池温度响应的建模与仿真

给出了一种用于直接甲醇燃料电池(DMFC)温度响应的人工智能建模方法.采用BP网络、Elman神经网络与自适应神经模糊推理系统(ANFIS)避免了精确数学模型的复杂性.详细描述了辨识结构、算法和模型训练方案.通过不同模型之间的仿真对比,得出了三种网络的最优结构参数.仿真结果满足精度要求,得出ANFIS模型性能最优.在ANFIS模型基础上对DMFC温度响应特性作了简要分析.通过仿真模型可快速得到其输入输出特性,使DMFC温度响应的在线预测与控制成为可能.     

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。     

基于奇异值分解的混合递阶遗传算法训练径向基神经网络

提出了一种将递阶遗传算法和奇异值分解的优点相结合的新型径向基神经网络学习算法--混合递阶遗传算法。它具有较高的学习效率,并能同时确定径向基神经网络的结构和参数。利用所提出的混合递阶遗传算法对混沌时间序列学习和预测,取得了较好的效果。     

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。