RBF神经网络用于系统的预测最优控制

为了实现系统的预测最优化控制,问题的关键是如何准确而迅速地对未来一段时间内的系统状态进行预测,然后利用此预测结果及优化指标来控制有关系统变量,人们对此进行了许多研究,但尚有其不足之处。为此,提出压缩预测变量集规模等办法来增加ＲＢＦ神经网络有效预测时间长度,在此基础上利用稳态最优解和优化指标来控制有关量。此方法被用于某化工过程,结果能使系统运行更为平稳,并使有关量达到了预测的优化指标。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

BP神经网络和RBF神经网络模型对图书流通量的预测分析

图书流通量是评价图书馆工作的重要指标.为解决图书流通量预测问题,引入BP和RBF神经网络预测模型.结合北京建筑工程学院图书馆2002年至2010年建筑类图书的流通数据进行了matlab仿真,结果表明,两种模型都能有效预测图书的流通量.     

基于RBF神经网络的太阳能电站VRLA蓄电池容量预测方法

为了对太阳能电站VRLA蓄电池进行有效的保护,防止蓄电池的过放电,本文对VRLA蓄电池进行准确的容量预测。在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用RBF神经网络建立了铅酸蓄电池的数学模型,用于预测铅酸蓄电池放电过程某一状态下的剩余容量。实验结果表明该网络模型可以快速、准确得到蓄电池剩余容量。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

基于RBF神经网络的拟滑模控制

将一种拟滑模控制算法与径向基函数神经网络相结合,利用神经网络的网络权值具有自适应学习的能力,使拟滑模控制器的相关参数具有自适应性,从而优化控制信号,削弱系统抖振. 并给出了具体的设计方案,仿真结果表明,所给出方案是有效、可行的.     

电梯零速停靠的RBF神经网络预测算法

针对电梯运行过程中存在爬行距离的问题,提出了基于RBF(Radial Basis Function)神经网络的爬行距离预测模型.将预测的爬行距离增加到电梯速度曲线的匀速段,实现减小或消除爬行距离的目的,从而实现电梯的零速停靠.从电梯运行现场采集大量的原始数据,建立RBF神经网络预测模型,与BP(Back Propagation)预测方法进行仿真比较,结果表明RBF神经网络具有更好的预测效果.给出了应用零速停靠RBF预测算法前后电梯运行的速度曲线,爬行距离减小或消除,电梯的运行时间变短,实现了节能.     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

RBF神经网络在径流预报中的应用

鉴于径流的形成受众多因素的影响和径流预报具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的径流预测模型.经实例验证,该模型收敛速度快、预测精度高,并与BP网络作了对比,RBF网络显示了较好的优越性.     

基于RBF神经网络的核电站高压加热器水位优化控制

以方家山／福清核电工程的高压加热器为研究对象,介绍了高压加热器水位控制的建模与参数调节．先用试凑法对PI控制调节器的调节参数进行预整定,再通过RBF神经网络整定算法进行优化．最后,使用整定参数对加热器进行3种情况的扰动测试,结果表明控制器在不同工况下的控制性均能满足控制要求．     

基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.     

一种基于神经网络的自适应预测控制方法

强非线性系统预测控制问题当前仍有许多难点需要解决,而神经网络由于具有非线性逼近能力、自学习、容错性等特点,使它在自动控制理论中得到了广泛的应用.针对非线性系统,提出了一种基于神经网络的自适应预测控制方案,该方案结构简单,易于实现.对于一些难于用传统方法控制的复杂非线性对象提供了一种有效的方法.对非线性定常及时变对象,利用仿真表明了该控制策略的有效性.最后讨论了神经网络控制器发展方向与亟待解决的问题.     

神经网络预测-PID串级控制在同步发电机励磁控制中的应用

为提高发电机励磁控制系统的稳定性,分析了同步发电机的自并励励磁系统的结构和数学模型,介绍了神经网络预测控制的结构和算法,分别基于PID控制、神经网络预测控制和神经网络预测-PID串级控制算法对自并励励磁系统进行了仿真分析.通过仿真结果的对比分析,说明神经网络预测-PID串级控制在励磁控制中的应用提高了励磁系统的动态性、稳定性和抗干扰能力.     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

基于广义预测的非线性神经网络控制器

广义预测控制(GPC)是针对线性系统提出的一种控制方法,而神经网络具有对一般非线性函数的逼近能力。首先介绍基于GPC的神经网络控制系统的组成,进而提出采用两层线性神经网络构造预测器,采用E lamn型动态递归网络构造控制器,从而实现对非线性对象的快速控制,仿真结果说明了该算法的有效性。     

基于Tchebycheff正交神经网络的非线性多步预测控制

针对多变量非线性系统 ,提出了一种基于 Tchebycheff正交神经网络的多步预测控制方案 ,采用 Tchebycheff正交神经网络离线建立预测模型 ,并以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制。同时对性能指标中的偏差项和控制项加权 ,进一步改善预测控制性能。仿真结果表明了控制算法的有效性     

一种基于RBF神经网络的模糊PID控制算法

提出一种将RBF神经网络与模糊控制相结合的方法,对系统输出误差进行模糊化,利用RBF神经网络对PID控制参数进行在线整定。仿真结果表明基于上述的PID控制算法能较好地实现PID控制参数的在线调整和优化。