基于RBF神经网络的水泥强度预测

利用RBF神经网络的算法，建立了水泥强度的预测模型。通过实际数据比较计算，RBF神经网络明显优于BP网络，该模型为水泥强度的快速预测提供了一种新方法。     

非线性系统RBF神经网络多步预测控制

针对较强非线性的控制问题, 提出一种以RBF 神经网络为模型的多步预测控制方法. 构建多步预测模型, 并给出预测误差关于控制序列的雅可比矩阵的计算方法. 利用Levenberg-Marquardt(L-M) 算法设计滚动优化策略, 过误差修正参考输入的方法实现了反馈校正, 证明了控制系统的稳定性. 仿真结果表明所提出的控制方法效果较好.

     

半导体生产线的RBF神经网络预测建模

预测模型是预测控制的基础。半导体生产过程的复杂性和随机性,使之难以建立确定性模型。提出一种新方法,利用径向基（RBF）神经网络对该过程建立预测模型。使用simul8软件对之在各种投料策略和调度策略下进行仿真并定时采样,将采样得到的数据对模型进行训练测试,结果表明该模型的预测输出与实测样本基本吻合,网络模型具有很好的泛化能力。训练后的网络可以对半导体生产线进行快速准确的预测,为预测控制和实时调度打下基础。     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

改进RBF神经网络用于降雨量预测

利用基于GA的改进RBF网络建立了为时间序列为对象的预测模型,并提出了基于模型的数据处理方法,在此基础上,对安徽省蚌埠地区42年来6－8月份的降水量进行预测,结果表明了该模型在时间序列预测中有良好的推广和应用能力。     

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RBF模糊神经网络模型的广义预测控制

广义预测控制对线性系统具有较好的控制效果,为将它应用到非线性系统,本文提出一种将RBF模糊神经网络与广义预测控制相结合的方法,仿真证明控制有效。     

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神经网络的混合像元分解

介绍了高光谱遥感技术中混合像元的概念,可以通过分析高光谱遥感光谱曲线,来确定混合像元的地物组成类别和比例,实现混合像元分解的目的.阐述了基于RBF网络进行混合像元分解的方法,并采用模拟遥感数据进行了仿真实验,验证了这种方法的有效性.     

基于时变RBF网络的非线性时变系统建模

在常规RBF神经网络中采用时变权值,将其应用于非线性时变系统的建模。采用减聚类算法确定网络隐含层神经元数与基函数中心参数,以迭代学习最小二乘算法修正神经网络时变权值,给出时变RBF网络的学习算法。分析表明,迭代学习最小二乘权值修正算法保证了网络时变权值的有界性,迭代误差收敛于零。仿真结果验证了该方法在非线性时变系统建模方面的有效性。     

基于径向基函数神经网络的特征识别技术研究

特征表示和识别效率是基于神经网络特征识别技术所面临的基本问题。在研究特征拓扑结构信息的基础上,提出一种应用特征构成面及其邻接边信息构成特征编码的特征表示模型,并在此基础上,提出基于径向基函数神经网络的特征识别方法。最后,应用此方法实现了对典型加工特征的识别。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。     

基于径基函数神经网络的精馏塔自适应控制

精馏塔是化工过程中最常用，最重要的操作单元，基本质的非线性及时变性使得对它控制军权     

基于RBF网络的商品混凝土强度预测分析

提出具有9个输入节点, 1个输出节点的 RBF神经网络模型来模拟抗压强度及其影响因素之间复杂非线性关系.作为对比,作者同时比较了3种不同输入模型的RBF网络的预测效果并与传统的BP网络模型进行比较,结果表明,文章提出的RBF网络模型具有很高的预测精度和较强的泛化能力,可作为商品混凝土性能分析的一种新型有效的方法.     

基于RBF神经网络的SVPWM过调制

线性调制状态下的逆变器,存在不能充分利用直流母线电压的问题,为了获得尽可能大的输出电压,一般对逆变器进行过调制控制.由于过调制的非线性,计算复杂,提出新的基于神经网络的SVPWM逆变器,采用线性调制和过调制2种模式,通过限定轨迹双调制模式法,实现在整个调制范围内线性控制.采用资源分配法确定径向基函数的网络结构和参数,设计出较精简的网络实现SVPWM;并将这种逆变器应用于异步电动机控制系统中.最后在Matlab环境下建立基于神经网络的SVPWM逆变器供电的异步电机控制系统仿真模型, 仿真结果表明,该方法简单、高效、控制效果良好,能提高直流母线电压利用率,降低输出电流谐波含量和电机转矩脉动.     

基于RBF神经网络的临近空间气温预测模型

针对大气系统,特别是大气温度系统的复杂非线性动力学系统特性,对现有的临近空间(Near Space)的温度资料进行分析,并利用RBF神经网络建立了临近空间温度场预测模型。根据北纬10度到北纬50度、海拔20 km到80 km之间的临近空间的气温观测数据,利用遗传算法寻优RBF神经网络的隐层节点中心值,最后通过RBF神经网络预测临近空间的大气气温。仿真结果和实际的温度数据对比分析表明,使用该方法建模取得了比较好的效果。