基于RBF神经网络的水处理系统建模与仿真

利用径向基函数(RBF)神经网络的特点,采用神经网络对活性污泥法水处理系统进行建模,提出了一种RBF网络学习的新算法,即将改进的减聚类算法和动态最近邻聚类算法相结合的算法.仿真结果表明,该算法先进有效,用其建立的模型具有较强的实用性,为实现水处理系统的在线实时预测控制提供了可行的途径.     

基于RBF网络的机械手运动学逆解

通过对RBF网络学习算法的分析,并在此基础上对最近邻聚类算法进行改进,以提高训练速度;并针对最近邻聚类算法整体拟舍效果不十分理想.对网络的输出进行修正,提高了求解精度.采用所提出的改进算法训练RBF网络,建立机械手逆运动学模型.仿真结果表明了该算法的有效性.     

基于正则化RBF神经网络的钢包精炼炉电极系统智能建模

通过RBF神经网络和模糊推理系统的比较，得出正则化RBF神经网络的输出特性，在此基础上利用改进的最近邻聚类算法确定网络的隐层节点个数和高斯函数中心，并估计输出层权值。仿真结果表明了所提方案的有效性。     

改进的RBF神经网络在非线性系统中的应用

在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用。但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长。针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数。在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的。     

RBF神经网络在转炉提钒预报中的应用

该文用RBF神经网络建立了转炉提钒冷却剂预报模型。RBF网络的中心的选取采用了可以在线学习的最近邻聚类算法。为了进一步优化网络中心，提出了基于密度排名的最近邻聚类算法。该算法聚类前先将样本按其在样本空间的密度进行了排序，聚类过程始于样本空间最密集处。实践证明，该算法应用于提钒冷却剂预报模型的建立是合理的，可行的。     

两自由度机械手逆系统动态补偿解耦控制

本文对综合非线系统的一种新方法－逆系统解耦控制进行了研究，并以自行设计的两自由度机械手为对象，实现了仿真及实时控制。     

基于神经网络辨识的电弧炉电极系统的自整定PID控制

基于具有电弧炉电极系统的非线性时变特性,设计了一种基于神经网络的参数自整定PID控制器。该控制器采用三个基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到精确的Jacobian信息分别提供给三个BP神经网络,从而实现了三相耦合系统的精确控制,仿真结果证明了这种方法的可行性和有效性。     

基于RBF神经网络的火灾探测器模型研究

针对目前火灾探测技术难以满足实际需要的问题,在分析RBF网络结构特点及最近邻聚类学习算法的基础上,提出用RBF神经网络建立火灾探测器模型,以火灾初期实验得到的环境温度、烟雾浓度、CO含量为输入,以明火概率、阴燃火概率、无火概率为输出对RBF网络进行训练,并进行仿真试验,结果表明,实际输出与期望输出的相差较小。     

基于RBF神经网络的磨矿粒度预测模型

磨矿分级作业是选矿生产过程中至关重要的环节,磨矿粒度的好坏直接影响到浮选的精矿品位和回收率;通过分析实际磨矿过程的生产状况和基本的生产数据,磨矿粒度存在在线检测成本高、滞后时间长、实现困难等问题;在分析RBF神经网络结构特点的基础上,提出用RBF网络建立磨矿粒度预测模型,网络中心的选取采用可以在线学习的最近邻聚类算法;仿真结果表明,该网络非线性处理能力和逼近能力强,学习时间短,网络运算速度快,模型精度满足工艺要求。     

基于代数算法的RBF神经网络解耦控制

提出一种基于代数算法的RBF(Radial Basis Function)神经网络自适应PID控制方法.该方法采用动态的径向基函数网络对非线性系统进行在线辨识被控对象,并将获得的灵敏度信息对PID控制参数自整定,实现了系统的解耦控制.仿真结果表明该设计方案具有控制精度高,实时性好,且具有很强的鲁棒性和自适应性.     

基于最近邻聚类的多模型LSSVM逆控制系统

针对逆系统中非线性逆模型辨识困难以及大规模数据采用单模型回归存在精度差和计算量较大的问题,提出了一种基于最近邻聚类的多模型最小二乘支持向量机（LSSVM）逆模型辨识及控制方法。该方法首先使用最近邻聚类算法对数据集做出聚类划分,然后针对每个聚类做最小二乘支持向量回归估计,实现了对系统逆动力学模型的动态辨识。最后将辨识模型作为摔制器模型,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,仿真结果表明基于最近邻聚类的多模型LSSVM逆控制系统辨识能力强,比单模型LSSVM逆摔制系统具有更优的动态跟踪性能,更好的抗干扰能力和鲁棒性。     

Application of inverse system for linearization and decoupling

We show that for a special class of nonlinear systems the linearization and/or decoupling of nonlinear dynamics by immersion under feedback is in fact an application of the right inverse system.     

Control design for arbitrary complex nonlinear discrete-time systems based on direct NNMRAC strategy

A novel scheme of neural network model reference adaptive control is proposed for arbitrary complex nonlinear discrete-time systems, i.e., non-minimum phase system, time-delay system and minimum phase system. An improved nearest neighbor clustering algorithm using an optimization strategy is introduced as the on-line learning algorithm to regulate the parameters of the RBFNN, which can simplify the neural network structure and accelerate the convergence speed. The clustering radius can be regulated automatically to guarantee the rationality of radius. Through constructing the pseudo-plant, the direct NNMRAC is also effective to the nonlinear non-minimum phase system. With the help of simulations, the control strategy based on direct RBFNN model reference adaptive control can not only make the multi-dimension nonlinear plants track multi-dimension reference signals quickly, but also endow the control systems with satisfying robustness.     

改进RBFNN求机械臂轨迹跟踪的研究

为了使机械臂准确跟踪目标轨迹,达到控制精度高、实时性好的目的,提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数,对其参数进行改进和优化,同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。     

基于RBF神经网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用RBF神经网络具有最佳逼近性能、训练速度快等特性,分别采用聚类和全监督训练算法,实现了基于RBF神经网络的抗噪语音识别系统。聚类算法的隐含层训练采用K－均值聚类算法,输出层的学习采用线性最小二乘法;全监督算法中所有参数的调整基于梯度下降法,它是一种有监督学习算法,能够选出性能优良的参数。实验表明,在不同的信噪比下,全监督算法较之聚类算法有更高的识别率。     

一种基于代数算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法,采用动态K-均值方法对RBF 神经网络的隐层中心值和宽度进行了优化,用代数算法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中,验证了该算法的有效性。     

一种新的基于遗传算法的动态聚类算法

为了在聚类数不明确的情况下实现聚类分析,提出一种新的结合最近邻聚类和遗传算法的动态聚类算法.新算法包括两个阶段:第一阶段用最近邻聚类算法根据最近邻方法把最相似的实例分到同一个簇中并根据一些相似性或相异性度量过滤掉噪声数据从而得到初始聚类集,第二阶段是遗传优化阶段,利用动态聚类评估函数,动态地合并初始聚类集,从而获得接近最优的解.最后对算法进行了实验仿真,实验结果表明方法在事先不知道聚类数的情况下能够有效地进行聚类.     

基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

RBF-PID串级控制在加热炉温度系统中的应用研究

针对工业生产中加热炉物料出口温度的非线性、时变性、大滞后性等特点,无法建立精确的数学模型,并且为提高该系统控制的可靠性和安全性,达到精确控制。提出一种基于RBF(Radial Basis Function)神经网络的PID串级控制器,即先用建立的三层RBF神经网络在线辨识得到梯度信息,再用梯度信息在线整定PID控制的三个参数,最后将整定的PID控制物料出口温度-炉膛温度串级系统的主回路。仿真结果表明,RBF-PID串级控制较传统P I D串级控制有较强的鲁棒性,提高了控制品质,获得了更好的控制效果。