基于相似离度的模糊神经网络方法在降水预报中的应用

针对样本矩阵中的奇异样本可能会影响模型的预报能力，提出了一种基于相似离度的模糊神经网络模型，并对广西北部前汛期（5月～6月）逐日平均降水量进行了49天的业务预报试验。结果表明，基于相似离度的模糊神经网络模型计算速度快，预报结果与实际值符合的较好，具有较好的业务应用前景。     

机器学习在降水预报中的应用

精准的降水预报有助于人们提前预警极端降水以减少人身和财产损失,近年来机器学习在降水预测方面具有巨大潜力。目前,针对降水预报的研究包括传统方法和机器学习方法,相比于传统方法,机器学习在降水预报方面的精度得到大幅提高。本文概括介绍了2个传统的预报方法和4个机器学习方法。     

改进的RBFNN学习算法及其应用

RBFNN(radial basis function neural networks)的参数确定得是否合理将直接影响RBFNN的学习性能.通过正交最小二乘算法选择RBFNN的中心由于容易实现而得到广泛的应用,但是正交最小二乘算法并没有对中心宽度的选择作出分析.文章借助正交最小二乘算法确定隐节点中心的位置,并采用类内样本分散度和类间距离共同确定宽度.仿真结果表明本文算法能够达到优化RBFNN参数的目的.     

基于傅里叶描述子RBFNN有杆泵井故障诊断

在对有杆泵井进行故障诊断过程中,采用了具有很强轮廓形状识别能力的傅里叶描述子作为RBFNN（径向基函数神经网络）的输入向量特征提取,通过分析比较基于梯度下降法和遗传算法的RBF网络各自特点,提出了一种基于傅里叶描述子的分层循环学习RBFNN算法。通过对非线性函数逼近的仿真实验证明了所提算法是准确有效的,最后利用MATLAB神经网络工具箱,建立分层学习算法的网络模型实现对有杆泵井的故障诊断,通过仿真测试验证了所提出的故障诊断方法能够准确地判断出有杆泵井故障类型。     

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数（RBF）神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.     

基于遗传算法和梯度下降的RBF神经网络组合训练方法

在使用基于梯度下降的径向基函数（RBF）神经网络学习方法时，由于网络目标函数误差曲面极其复杂，因而产生了网络收敛速度慢，且容易陷入局部极小，网络初始值的设置对网络训练结果影响很大等问题。基于遗传算法的训练方法能够摆脱陷入局部最优的困扰，但遗传算法的局部搜索能力不够，从而影响网络的训练效果。为了解决上述问题，在研究两种算法特点的基础上，提出一种组合训练方法，用提出的训练方法对UCI中的部分数据集进行了仿真实验，并将实验结果与传统方法下的结果进行了比较，实验结果表明新方法是有效的。     

基于禁忌搜索的启发式算法求解球体Packing问题*

为求解具有NP难度的球体Packing问题,通过将禁忌搜索方法与基于自适应步长的梯度下降法和二分法相结合,提出了一个启发式算法。对50个等球算例进行了实例测试,算法改进了其中44个算例的目前最优结果。大量的实例计算结果表明,该启发式算法是求解球体Packing问题的一个有效算法。     

RBFNN在速度传感器异常值滤除中的应用

基于速度的延滞特性即不会瞬间突变,利用径向基函数（RBF）优秀的预估和拟合逼近能力,通过对已知时刻的速度值进行网络训练和学习,可以很好地预测下一刻的值及其变化趋势。根据是否落入由训练误差所确定的置信区间,判定异常值并进行异常值的滤除。经实验测试,95%的置信区间能够完全满足剔除异常数据、保留正常数据的功能。     

基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.     

基于粒子群优化算法的熔融指数预报

针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种实用高精度的软测量方法,以弥补传统的实验室分析严重滞后所导致的生产控制瓶颈问题。采用主元分析,提取少量主元反映多个变量的综合信息,以降低预报模型的复杂度。并在此基础上建立基于径向基函数神经网络的统计预报模型,提出利用粒子群优化算法优化神经网络的结构与参数,以减少人为因素对建模的影响,得到最优预报结果。通过对工厂实际生产过程进行详细的预报检测,并进一步与国内外相关研究报道进行比较,结果表明,所提出的预报方法具有更强的可靠性和更高的准确性。     

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。     

基于RBFNN的铂电阻温度传感器非线性补偿

针对铂电阻温度传感器应用中存在的非线性问题,提出了应用径向基函数神经网络(RBFNN)强非线性逼近能力进行铂电阻温度传感器非线性补偿的方法。介绍了非线性补偿的原理和网络训练方法。结果表明:这种非线性补偿模型具有误差小、精度高、可在线标定和鲁棒性强等优点,与基于BP神经网络的非线性补偿模型相比,大大缩短了网络训练时间,从而方便了铂电阻温度传感器在测控系统中的应用。     

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。     

改进的OLS算法选择RBFNN中心的方法

提出了一种优化选择径向基神经网络数据中心的算法,该算法结合了Kohonen网络的模式分类能力,将初步分类结果用做RBFNN的初始数据中心,然后采用OLS算法进行优化选择,对比仿真实验表明该算法效果比单独使用OLS算法生成的RBFNN性能更好。     

An Efficient Gradient Forecasting Search Method Utilizing the Discrete Difference Equation Prediction Model

Optimization theory and method profoundly impact numerous engineering designs and applications. The gradient descent method is simpler and more extensively used to solve numerous optimization problems than other search methods. However, the gradient descent method is easily trapped into a local minimum and slowly converges. This work presents a Gradient Forecasting Search Method (GFSM) for enhancing the performance of the gradient descent method in order to resolve optimization problems.GFSM is based on the gradient descent method and on the universal Discrete Difference Equation Prediction Model (DDEPM) proposed herein. In addition, the concept of the universal DDEPM is derived from the grey prediction model. The original grey prediction model uses a mathematical hypothesis and approximation to transform a continuous differential equation into a discrete difference equation. This is not a logical approach because the forecasting sequence data is invariably discrete. To construct a more precise prediction model, this work adopts a discrete difference equation. GFSM proposed herein can accurately predict the precise searching direction and trend of the gradient descent method via the universal DDEPM and can adjust prediction steps dynamically using the golden section search algorithm.Experimental results indicate that the proposed method can accelerate the searching speed of gradient descent method as well as help the gradient descent method escape from local minima. Our results further demonstrate that applying the golden section search method to achieve dynamic prediction steps of the DDEPM is an efficient approach for this search algorithm.     

修正高斯模型神经网络的色谱重叠峰解析

目的 :研究色谱重叠峰解析新方法。　方法 :构造了以修正高斯模型 (EMG)为基函数的径向基函数神经网络 (EMG-RBFNN) ,在网络学习算法中提出采用基于共享小生境技术的约束最优保留两阶段遗传算法 :结构学习和参数最速梯度下降进化 ,从而使EMG-RBFNN具有结构学习能力 ,使该神经网络能够适应组分数未知的色谱重叠峰解析。尤其是在将气相和高效液相色谱EMG模型参数τ、σ和tR 之间的近似线性关系作为可行域约束条件引入算法后 ,极大地限制了算法可行的解空间 ,减少了局部最优解出现的概率 ,提高了算法运行效率。　结果 :将此新方法分别应用于计算机仿真色谱和 45例中药材HPLC ,算法可以以较高的精度解析出仿真色谱 ,实际色谱峰解析也有很高的解析精度。　结论 :该方法非常适用于组分数未知的各种色谱 (重叠 )峰的解析     

基于ESN和改进RBFNN的城市燃气负荷预测

城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容.针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文提出一种ESN和改进RBF神经网络的组合预测模型.首先用核Fisher线性判别对原始数据进行降维,其次用ESN模型进行初步预测,然后将ESN的预测结果作为RBF神经网络的输入来构建组合模型,并将差分进化算法和梯度下降算法结合,对RBF神经网络的结构和参数同时进行训练和优化,以增强算法的局部搜索能力,加快收敛速度.实验结果表明,本文模型比原组合模型的预测精度更高.     

改进ASMDE算法和RBFNN的配电网线损计算

针对中压配电网结构复杂,运行数据不全,常规网损计算方法难以实施的问题,提出了一种配电网线损的实用计算方法。利用RBF神经网络的强拟合特性,映射配电线路的特征参量与线损之间复杂的非线性关系,记忆配电线路在结构参数和运行参数变化时线损的变化规律,建立了基于RBF神经网络的线损计算模型。采用改进的自适应二次变异差分进化（ASMDE）算法,对RBF神经网络的结构参数进行整体优化,克服了常规算法隐含层与输出层结构参数分开确定,输出层易陷入局部极小的缺点。实例仿真验证了所提方法的有效性和实用性。     

基于RBFNN的非线性多变量系统的控制策略研究

针对非线性多变量大时滞系统,研究了一种基于神经网络的智能控制策略。它以经典的PID控制为基础,通过神经网络参数整定,用于多变量系统的解耦控制;用预测模型超前预测系统输出,以克服系统的时滞。该文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制律下的PID参数,解耦后的系统具有较好的动态和静态性能。该方法具有控制精度高、响应速度快的优点,并具有较强的自适应性和鲁棒性。