丙烯精馏塔关键组分软测量研究

丙烯精馏塔关键组分塔顶的丙烷浓度和塔釜的丙烯浓度的准确测量是乙烯生产企业提高丙烯收率的关键。鉴于丙烷浓度和丙烯浓度分析仪经常出现故障,提出以RBF神经网络加协同随机粒子群优化(PSO)算法的软测量建模法,即利用RBF神经网络的局部逼近能力来获得模型的结构,利用协同随机PSO算法的全局搜索能力来优化模型的参数,提高模型的逼近能力和泛化能力。该方法克服了BP网络对初始值和网络结构敏感,容易陷入局部最优的缺陷,以及RBF网络全局逼近能力差的缺点。仿真结果表明,此方法所得软测量模型精度高,泛化能力强。     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

基于SOM和RBF网络的软测量方法研究

为了解决工业生产过程中许多重要的参数无法精确测量或者实时测量的问题,提出一种基于自组织特征映射(SOM)神经网络和径向基函数(RBF)神经网络结合构建网络模型的预测方法;其中,RBF神经网络作为基础网络实现从输入层到输出层的线性映射,得出预测输出;SOM神经网络作为聚类网络对输入样本进行自组织分类,将分类中心及其对应的权值向量作为RBF神经网络径向基函数的中心;以钕铁硼氢粉碎过程优化控制为例,建立了合金氢含量的检测模型,并与RBF神经网络检测模型进行了对比;仿真结果表明该混合网络检测模型检测精度高,泛化能力强,证实了该方法的有效性.     

水处理过程的RBF和BP神经网络建模

针对水处理过程非线性、时变和大滞后的特点，本文采用RBF和BP神经网络分别建立了水处理过程模型，利用水厂实际运行数据对两个模型分别进行了训练和检验。与BP神经网络模型相比，RBF神经网络模型具有逼近能力强、收敛速度快等优点。该模型可以实现对水处理过程的在线辨识，并可进一步用于该过程的神经网络预测控制。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

RBF-BP网络在火电厂氮氧化物浓度检测的应用

在分析影响火电厂氮氧化物浓度检测精度的多种原因基础上,提出建立RBF-BP神经网络模型进行改进的方法,并详细说明了样本数据、神经网络构成、训练函数、回归因子、动量因子等关键技术.以2015年实际火电厂检测数据为依据,对建立的RBF-BP神经网络进行了仿真实验,并与单一RBF仿真实验进行对比分析,实验表明平均相对误差为0.3％～1％,证明了该方法的有效性.     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于RBF神经网络的入侵检测模型的研究

BP神经网络作为较成熟的技术已被应用于入侵检测技术中,但遇到的诸如执行速度慢、易陷入局部最小值等问题限制了其检测性能的提高,而RBF（Radial Basic Functions径向基函数）神经网络在逼近能力、学习速度及分类能力上都优于BP神经网络。本文设计了一个基于RBF的入侵检测模型,确定了RBF神经网络的结构和学习算法后,用KDD99数据集中的训练数据对系统进行训练,最后,用测试数据对系统进行测试。仿真试验表明,该系统最终具有较高的检测率和很低的误报率。     

覆盖框架与主方向神经网络

分析了BP、RBF和ARTMAP等人工神经网络在实现非线性映射方面的共同之处,基于RBF等网络对于人脑功能方面的模拟和仿生模式识别的思想,总结出一种处理这类问题的基本框架。该框架的特点是将问题分解为样本覆盖问题和基于模型的映射拟合问题。在利用该框架研究某个函数集在连续函数空间中的稠密性的基础上,提出了一种新的人工神经网络模型——主方向神经网络(PDNN)。通过与BP网络和RBF网络在函数拟合和混沌时间序列预测方面的对比实验,发现 PDNN具有非常良好的逼近性能和鲁棒性能。     

基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型;该算法融合了RBF神经网络的故障检测和电流自适应保护;首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护;在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断;实验表明,该算法较大地提高了断路器智能化管理水平。     

基于RBF神经网络的变频调速水泵故障诊断

为解决变频调速水泵振动故障问题,给出一种基于径向基函数(RBF)神经网络应用于变频水泵故障诊断的方法。对变频水泵常见故障进行分析,依据征兆诊断法,提取信号频谱中各阶倍频和分频的信号作为故障样本,对RBF神经网络进行训练,并应用于测试样本的诊断。仿真结果表明,与BP网络相比,RBF神经网络识别精度高,诊断速度快且拟合能力强,能有效提高变频调速水泵故障诊断的精度和效率。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于径向基神经网络的变压器故障诊断

研究了一种基于RBF神经网络的电力变压器故障诊断方法。该方法采用目前应用较多的隐含层为径向基函数的最小正交二乘法训练人工神经网络,克服了BP算法易陷入局部极小、收敛速度慢的缺点。利用MATLAB仿真实现,结果表明该方法具有速度快、诊断精度高等优点,能有效地运用于电力变压器故障诊断中。     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

人工鱼群算法的汽轮发电机故障诊断仿真研究

研究汽轮发电机故障准确诊断问题,由于汽轮发电机组故障特征与故障状态间呈现较强的非线性关系,传统的数学模型很难正确识别汽轮发电机的各种故障状态,诊断精度不高。RBF神经网络具有自学习、非线性处理等优,为了提高汽轮发电机故障诊断正确率,建立了一种人工鱼群优化RBF神经网络的汽轮发电机故障模型,充分利用人工鱼的聚群、追尾和觅食行为,对RBF神经网络的参数进行了优化,然后采用优化RBF神经网络对故障进行诊断。仿真结果表明,RBF神经网络可提高汽轮发电机故障诊断准确率。     

基于小波分析和神经网络的井下电缆故障测距方法

针对现有的井下电缆故障测距方法存在可靠性差、精度低的问题,介绍了一种基于小波分析理论和神经网络的井下电缆故障测距方法,并比较了BP神经网络和RBF神经网络用于该方法的测距性能。该故障测距方法采用3次B样条半正交小波对暂态零序电流信号进行小波变换,得到特定频带内的暂态零序电流模极大值,并将该模极大值作为神经网络的输入信号,根据模极大值与故障点位置的映射关系实现故障定位。仿真结果表明,该故障测距方法能够较好地进行井下电缆故障测距,且RBF神经网络的测距误差及训练速度均优于BP神经网络。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

基于PCA和神经网络的农残含量预测模型研究

为提高快速检测农残含量的精度,针对建模数据特征发生明显变化的实际情况,提出了一种结合主成分分析（PCA）和神经网络的分段多模型方法。提取建模数据的前2个主成分作为模型的输入,分别使用主成分回归（PCR）和BP/RBF神经网络建立单一及分段多模型。通过计算模型验证集的输出总误差和误差百分比,对比模型检测精度。试验表明：与单一模型相比,利用神经网络建立的分段多模型可以显著降低农药含量的预测误差,使用BP和RBF网络建立的低浓度段模型的输出误差百分比分别为0.8%和0.4%,RBF网络效果更好。该方法可以在待测农药的较大浓度范围内实现定量检测,具有较强的实用性。