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。     

冗余驱动并联机器人多目标控制方法

冗余驱动并联机器人的关节自由度增加了运动的灵活性,但也增加了碰撞的风险.在多目标控制中,需要对其进行有效的避障控制,以保证机器人在执行任务时的安全性和稳定性.针对这一问题,提出冗余驱动并联机器人多目标控制方法设计.利用拉格朗日法对机器人运动特性展开分析,构建机器人运动方程;在径向基函数(Radial Basis Function, RBF)神经网络的基础上,采用自适应方法建立滑模控制器,并基于李亚普诺夫稳定性对滑模控制器展开修正,提高控制器的稳定性;应用连通性屏障控制和避障屏障控制策略,实现机器人的运动控制.实验结果表明,本文方法能够实现精准避障,且控制误差小、效率高、效果稳定.     

振子网络中内能和熵的探究——以小世界网络和BA网络为例

将复杂网络视为振子网络,对小世界(WS)网络、BarabasiAlber(BA)网络和实际的酿酒酵母蛋白质相互作用(PPI)网络的内能和熵进行了分析.分析结果表明:随着网络节点数、连边概率、热浴温度等参数的变化,不同网络的内能和熵的变化趋势差异很大,可以以这种差异来判别网络的类型.     

压制生土砖强度的人工神经网络预测模型

为了获得压制生土砖抗压强度预测模型,针对成型压力、含水率、水泥含量及高厚比对压制生土砖抗压强度的影响,基于国内外研究中的91组压制生土砖抗压强度试验数据,分别建立了用于预测压制生土砖抗压强度的BP神经网络模型和径向基(RBF)神经网络模型,并将模型预测结果分别与试验结果及回归分析模型进行对比。结果表明:人工神经网络模型对压制生土砖抗压强度的预测精度显著优于回归分析方法;压制生土砖抗压强度与其配合比、成型压力及高厚比间存在复杂的非线性关系,回归分析模型不适用于解决此类复杂问题;BP神经网络模型的整体预测效果较好,但容易陷入局部最优;RBF神经网络模型能可靠地预测压制生土砖抗压强度,预测结果与试验结果比值的平均值为1.007,标准差为0.085,该预测模型具有较高精确度,能有效解决压制生土砖抗压强度与其影响因素间复杂的非线性关系,可为压制生土砖的配合比设计提供参考。     

基于RBF神经网络的短时交通流预测

根据短时交通流的特性，以神经网络技术为基础，构建短时交通流预测的神经网络模型，并用某高速公路实际短时交通流观测数据进行验证。     

基于ANN-RBF方法对边坡岩体抗剪强度的预测

抗剪强度参数的选择对于边坡稳定性分析至关重要.为了保证数值分析的可靠性,建立了RBF神经网络模型预测边坡岩体的抗剪强度参数,并且收集了大量的工程数据修正和验证了这个模型.该模型可以预测任意一个边坡岩体的抗剪强度参数,并且计算结果非常接近于实测剪切实验结果,这证明了该模型的有效性和合理性.     

基于插值组合核的LS-SVR板形预测方法

基于RBF核的LS-SVR模型,采用实验变差函数计算插值算法权值,对权系数与各训练样本内积值相乘所反映样本空间结构和相互间关联度的插值核函数进行构造,提出了一种通过Kriging空间散乱插值方法利用样本数据构造出的插值核函数与RBF核函数进行组合而成的核方法。结果表明,该方法使LS-SVR板形预测有更好的性能,在提升预测算法泛化能力的同时,实现了对板形的精准回归预测。     

采用子网流量组合优化的网络流量分割方法

针对当前基于仿真的流量分割方法存在处理开销过大且仅能保证流层面流量完整性的问题,提出了一种组合优化的网络流量分割方法.将流量经分割后得到的数据包总延迟次数作为优化目标,由此网络流量分割问题转化为二次分配优化问题;用子网流量作为基本单元进行分配,可在减小问题求解规模的同时保证子网流量的完整性.利用真实网络流量对所提方法的分割效果进行了验证,并与基于数据包和流的轮询流量分割方法进行了比较,结果表明,所提方法能够达到基于流的轮询流量分割方法的性能,数据包延迟较之不采用优化的基于子网流量轮询方法显著减小,性能提高近10%.     

基于支持向量机的电力短期负荷预测

本文在分析了支持向量机基本原理的基础上,采用支持向量机采用回归算法建立了相应的预测模型,对某市电力负荷进行预测,并把预测结果和BP算法以及RBF算法的预测结果进行比较,证明了基于支持向量机回归算法预测模型的优越性。     

基于RBF神经网络的PID控制在锅炉温度系统中的应用研究

目的提高电厂锅炉温度系统控制的可靠性和安全性,达到精确控制。方法提出一种基于RBF(Radial Basis Function)神经网络的PID控制器,建立3层神经网络模型。结果在RBF-PID控制过程中,由神经网络RBF在线辨识得到梯度信息,然后根据梯度信息对PID的3个参数进行在线调整,从而改善系统的控制品质。结论仿真结果表明,基于RBF神经网络的PID控制较传统PID控制有较强的鲁棒性,提高了实时性能,获得了更好的控制效果。