基于径向基函数神经网络偏差补偿的预测函数控制

基于线性模型设计预测函数控制器，用径向基函数神经网络（RBFNN）来补偿由系统的非线性和外界干扰引起的预测误差，从而实现非线性系统的自适应预测函数控制。将该控制算法用于pH中和滴定过程，仿真实验表明该算法计算量小，控制效果好。     

基于神经网络的伺服机械手LuGre摩擦补偿控制

针对伺服机械手系统的LuGre摩擦模型参数辨识难,难以建立其精确的数学模型,利用径向基函数( RBF)神经网络的万能逼近特性逼近LuGre摩擦,并作为计算转矩控制器的补偿项。通过Lyapunov方法证明了系统的稳定性以及闭环系统跟踪误差的收敛性。仿真结果证明控制算法能对摩擦进行有效补偿,提高了伺服机械手系统的轨迹跟踪控制性能。     

基于RBF神经网络的汽车稳定性滑模控制

针对汽车稳定性控制存在的非线性和参数时变不确定性问题,采用基于径向基函数(RBF)神经网络的方法设计汽车稳定性滑模控制器,能够削弱常规滑模控制所引起的抖动现象,也能提高单纯的神经网络自适应控制的鲁棒性能。仿真结果表明该控制算法可有效地控制汽车按照驾驶员期望的方向行驶,且保证汽车侧向控制系统具有较强的适应性和鲁棒性。     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

电控汽油机怠速模糊RBF神经网络控制

针对电控汽油机怠速控制要求，提出了一种模糊径向基函数(RBF)神经网络控制方案，在MATLAB环境下进行了控制仿真，获得了比PID、模糊、模糊BP神经网络更好的控制性能。     

基于预测稳态差的神经网络预测控制

提出了一种基于预测稳态差的神经网络预测控制方法,稳态预测模型采用径向基函数网（ＲＢＦ网）,优化采用一维直接方法－－黄金分割法。为了改善其动态响应性能,又加入一个ＲＢＦ网作为动态预测模型。通过对一个控制ｐＨ值的非线性过程的仿真研究,表明该算法具有良好的稳定性和动态响应特性。     

基于RBF神经网络的机械加工误差质量模型

针对机械加工过程中产生误差的复杂性,用传统的数学建模方法难以实现加工误差和工艺参数、系统刚度和加工过程变量之间的关系模型.采用RBF神经网络建立加工误差的质量模型,并通过实验仿真,取得了较好的仿真效果.证明了RBF网络模型具有很强的逼近能力,可用于各种质量建模,达到减少加工误差、指导生产的目的.     

RBF神经网络算法在汽油机空燃比控制中的比较

选择具有多干扰和复杂非线性的汽油机空燃比为控制对象，对径向基函数(RBF)神经网络的RLS和LMS在线算法，从训练速度、抗干扰能力、控制精度三个方面，在MATLAB下进行了仿真比较。结果表明：在用离线训练的网络参数作为初始值、且不调整RBF中心值和宽度向量时，RLS算法优于LMS算法。     

边坡稳定性评估的RBF神经网络分析

针对边坡稳定性评估的需要,在分析RBF(radial basis functions)的网络模型和传递函数的基础上,利用基于最小二乘的RBF网络学习算法对边坡的稳定性进行了评估,同时对影响RBF网络性能的参数进行了分析.实验结果表明,预测结果与边坡的实际稳定状态相吻合,验证了基于RBF网络的边坡稳定性评估的有效性和准确性.     

基于RBF神经网络的自主水下航行器模型预测路径跟踪控制

针对自主水下航行器(AUV)的模型不确定性和多约束的特点,设计了基于径向基(RBF)神经网络的模型预测控制器。在使用模型预测控制(MPC)进行路径跟踪控制的基础上,利用实时测量数据在线训练RBF神经网络,对AUV模型不确定性进行补偿,抑制了模型不确定性对模型预测控制器的干扰,减小了系统的超调量和跟踪误差。仿真结果表明,基于RBF-MPC路径跟踪控制算法与经典的MPC算法相比,具有更好的暂态和稳态性能。     

RBF神经网络的一种新的学习算法

提出了构造性RBF神经网络的一种新的全监督式学习算法. 该算法在神经网络隐层引人新节点,并通过使新节点的输出方向尽力逼近学习残差的方向获取网络参数,从而减少学习误差,实现对训练样本的学习.仿真结果表明了该新学习算法的有效性.     

基于多层前向神经网络辩识电液伺服系统模型

建立了一种辩识非线性电液伺服控制系统数学模型的辩识方法,研究了多层前向神经网络辩识非线性系统的辩识算法和结构,利用辩识实验获得的过程输入／输出数据动态调整神经网络权值。仿真结果辨明：神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

基于蚁群聚类和裁剪方法的RBF神经网络优化算法

提出了一种基于蚁群聚类算法和裁剪方法的RBF神经网络优化算法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,提出一种新的聚类算法来确定RBF神经网络中基函数的位置;通过一种裁减的方法,除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元,以达到简化RBF神经网络结构的目的。对非线性函数进行逼近仿真,结果表明:优化算法有比较好的优化效果,而且,优化后的RBF神经网络的结构小,RBFNN的泛化能力得到了提高。     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

RBF神经网络算法在汽油机空燃比控制中的比较

选择具有多干扰和复杂非线性的汽油机空燃比为控制对象,对径向基函数(RBF)神经网络的RLS和LMS在线算法,从训练速度、抗干扰能力、控制精度三个方面,在MATLAB下进行了仿真比较。结果表明:在用离线训练的网络参数作为初始值、且不调整RBF中心值和宽度向量时,RLS算法优于LMS算法。     

基于径向基函数神经网络的硫酸质量分数检测

针对烟气制酸中的酸浓在线难以准确检测的问题,提出了一种基于软测量技术的在线检测酸浓方法。通过对现场生产数据的采集和预处理,建立了基于径向基函数神经网络的软测量模型;再利用实验平台对该模型进行了验证。实验结果表明:该模型可以得到较精准的硫酸质量分数,能有效地指导生产,具有良好的应用前景。     

基于再淹没现象的RBF神经网络和Kriging的代理模型应用及误差分析

为了将代理模型应用于核工程反应堆热工水力现象中,以再淹没现象为研究对象,构建代理模型,并通过控制实验参数的数量,来化解精度与效率之间的矛盾。首先使用拉丁超立方方法抽取输入样本,并通过RELAP5建模获取输出样本,由MATLAB分别构建RBF神经网络代理模型和Kriging代理模型,对包壳峰值温度（PCT）进行拟合。然后分析比较了2种代理模型的拟合结果,发现2种代理模型的相对误差值均小于0.15%,均适用于再淹没现象;Kriging代理模型的拟合精度高于RBF神经网络代理模型。     

基于蚁群算法优化RBF神经网络的汽温系统控制

针对火电厂主蒸汽温度模型不确定性的问题,提出一种智能复合控制方法.采用粒子群算法优化蚁群算法参数,将改进蚁群算法对径向基神经网络PID的权值进行优化,从而实现了对主蒸汽温度的动态控制.仿真结果表明,基于改进蚁群算法优化的径向基神经网络PID控制器使被控系统具有快速响应速度和很好的抗干扰性能,证明了该方法的有效性.