基于神经网络解耦的电加热炉温控系统

针对电加热炉温区间强耦合的特点,分析加热炉结构特点及其耦合性,设计分散式神经网络开环解耦器对相邻温区进行解耦,采用模糊PID控制算法对系统进行控制。系统有效进行解耦,实现了温度的精确控制。     

基于动态模糊神经网络逆系统的焦炉集气管压力解耦控制

焦炉集气管压力系统具有多变量、强耦合、非线性和纯滞后等特点,难以建立准确的数学模型。文章采用基于动态模糊神经网络的逆系统方法对集气管压力系统进行解耦,建立逆系统解耦器,并且设计了集气管压力单神经元PID控制器。该方法有效地实现了多焦炉集气管压力解耦控制,能较好地满足多焦炉集气管压力控制的工艺要求。     

基于PM-RBF的电厂供热负荷预测研究

针对供热系统热负荷预测模型的非线性,给出了并行最小化RBF神经网络算法,同时修正了RPCL方法系统振荡问题。通过仿真得出,当训练样本合适时,综合误差在6%以内。具有良好的预测精度和速度。     

应用神经网络调控热泵负荷的研究

目前热泵系统越来越多地应用于供热领域,为了保证热泵系统安全高效的运行,需要开发完备的负荷调节控制方案。针对热泵系统和热用户之间的负荷匹配控制问题,应用了神经网络的控制方法,并在小型水源热泵系统试验数据的基础上建立了仿真模型,得到了较好的负荷调节控制效果。仿真结果表明应用神经网络调控热泵负荷的控制策略具有简单、响应快、超调量小、智能程度高的特点,可以较好地用于实际热泵系统的控制领域。     

一种分布式变频泵在热力站系统中自动控制调节的方法

针对热力站系统中一个分布式变频泵(回水加压泵)输入及多个电动控制调节阀输入强耦合的问题,提出一种新的调节方法,将变频泵进行多模态划分与多个控制阀输入级联后,进行神经网络PID解耦,消除了热力站系统的调节死区,改善了变频泵的自动控制调节能力和稳定性。     

基于RBF神经网络单神经元PID控制在低压直流变换中的应用研究

太阳能和风能发电系统的非线性特征非常明显,并且二次端直流负载的接入与断开的随机性也比较大,容易引起微型电网的波动。为了解决低压直流微型电网的波动特性,提出了基于RBF神经网络在线辨识的单神经元PID控制的直流变换方法,该方法结合了普通PID控制结构简单和神经网络非线性系统自适应性强的特性,解决了二次直流负载端稳定的直流电源供电问题。     

二级管网供水温度的改进型RBF神经网络预测

采用RBF神经网络预测供热系统二级管网供水温度,引入遗传算法对传统RBF神经网络预测模型进行改进。结合算例,采用两种预测模型对某二级管网的供水温度进行预测,改进型RBF神经网络预测能力更优。     

民用建筑供热负荷的神经网络法预测

分析了供热系统负荷变化的各种扰量,提出利用人工神经网络对供热负荷进行预测的方法。对神经网络预测的可行性、方法的实施内容及输入输同变量的选择,网络连接方法的选择等进行了讨论。在进一步对供热负荷特性研究的基础上,可以利用人工神经网络对其进行切实可行的预测。     

基于RBF网络的液压系统故障诊断方法

针对液压系统的故障诊断,提出融合系统状态信息作为系统特征向量,引入RBF神经网络作为模式识别分类算法的智能诊断方法。并论述采用RBF神经网络作为分类算法的可行性及其优势。最后以电液位置伺服系统为例,建立相关的RBF网络,验证以上的陈述。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

结合神经网络的热泵冷凝器模型优化

本文采用了按照制冷剂状态来划分分布参数模型微元的方法,建立了冷凝器的稳态分布参数模型,并将其计算结果与实验数据做了验证。在此基础上建立了和稳态模型相结合的BP神经网络和RBF神经网络模型,通过神经网络对稳态模型进行修正,有效地提高了冷凝器仿真模型在热泵系统中的仿真精度,并比较了用两种神经网络模型进行校正的差异。     

基于径向基神经网络的基坑支护位移预测方法

简要分析了径向基神经网络相对于BP神经网络的优点,利用径向基神经网络建立了基坑支护水平位移的预测方法并编制了基于径向基神经网络的支护位移预测程序.结合实际工程监测数据中的基坑支护结构水平位移数据,对网络进行训练并利用训练好的网络对基坑支护结构的水平位移进行了预测.从预测结果与实测结果的对比分析来看,利用径向基神经网络对基坑支护水平位移进行预测是可行的,其精度符合工程实际的要求.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

电机故障诊断中RBF神经网络的应用

分析了RBF神经网络的特点及原理,针对RBF神经网络进行电机故障诊断的重点进行了探讨,同时就RBF网络的模型结构和算法作了论述,为实现电机故障诊断模型的优化设计提供了可行的途径。     

BP神经网络和RBF神经网络在墩柱抗震性能评估中的比较研究

通过仿真实例,对BP神经网络和RBF神经网络在墩柱抗震性能评估中的应用进行了比较研究.训练和仿真结果表明,BP神经网络和RBF神经网络均能很好地对墩柱的延性进行抗震性能评估,并且,在相同精度要求下,RBF神经网络比BP神经网络的训练速度更快,效率更高,充分体现了RBF神经网络的优越性.同时也总结了BP神经网络和RBF神经网络所存在的不足.实际应用中,可以以此结论为指导来设计神经网络.     

SBR出水BOD值的RBF软测量法

提出了基于径向基函数(RBF)人工神经网络的SBR出水BOD值的软测量方法，并介绍了其原理。通过大量实测数据对RBF神经网络进行训练，仿真结果显示利用其可实现对SBR出水BOD值的软测量，为污水处理过程的在线实时控制创造了条件。     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息;RBF网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

应用RBF神经网络的预应力混凝土碳化深度预测研究

在现有混凝土碳化研究成果基础上,建立了预应力混凝土碳化预测模型。随后,运用径向基函数神经网络的基本原理,通过对影响预应力混凝土碳化深度因素的分析,建立了预测碳化深度的RBF和GRNN网络模型。通过实例进行了分析计算和预测,预测结果具有较高的精度。可以说,人工神经网络预测方法是一种可同时考虑各种影响因素组合、行之有效的混凝土碳化预测分析方法。