基于递归RBF神经网络的出水氨氮预测研究

针对污水处理过程出水氨氮难以在线测量的问题,文中提出了一种基于递归RBF神经网络的软测量方法来预测氨氮。首先,提取与出水氨氮相关的主元变量,剔除主元变量的异常数据。其次,利用递归RBF神经网络建立主元变量与出水氨氮的蕴含关系,完成出水氨氮软测量模型的设计。最后,将提出的出水氨氮软测量方法应用于污水处理实际运行过程,结果表明,基于递归RBF神经网络的软测量方法能够实现出水氨氮的在线预测;同时,与其他方法的比较结果显示基于递归RBF神经网络的软测量方法具有较好的预测精度。     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

基于相对贡献指标的自组织RBF神经网络的设计

针对RBF（radial basis function）神经网络的结构和参数设计问题,本文提出了一种基于相对贡献指标的自组织RBF神经网络的设计方法。首先,提出一种基于相对贡献指标（relative contribution,RC）的网络结构设计方法,利用隐含层输出对网络输出的相对贡献来判断是否增加或删减RBF网络相应的隐含层节点,并且对神经网络结构调整过程的收敛性进行证明。其次,采用改进的LM（Levenberg-Marquardt algorithm）算法对调整后的网络参数进行更新,使网络具有较少的训练时间和较快的收敛速度。最后,对提出的设计方法进行非线性函数仿真和污水处理出水参数氨氮建模,仿真结果表明,RBF神经网络能够根据研究对象自适应地动态调整RBF结构和参数,具有较好的逼近能力和更高的预测精度。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于HGA优化RBF网络的污水总氮软测量

污水处理系统是一个包含海量信息的非线性复杂系统.目的是对某污水处理厂生物脱氮系统的出水总氮(TN)进行软测量建模.先用主元分析方法实现输入变量的降维和去相关,简化径向基函数(RBF)网络的输入.再应用递阶遗传算法(HGA)确定合理的RBF网络隐层节点数、基函数宽度和中心.能够同时优化网络参数和拓扑结构,在全局范围内寻找RBF参数的最优解,实现了RBF网络的自适应优化.应用该模型对出水总氮软测量进行仿真,结果表明了该网络模型的可靠和有效,说明该软测量模型具有工业应用价值和意义.     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

基于径向基函数神经网络的多级离心压缩机混合模型

大型离心压缩机作为多影响因素和强非线性的复杂系统,其性能的准确预测难以实现.针对这一问题,结合径向基函数(RBF)神经网络,本文建立了多级离心压缩机性能预测的混合模型.首先基于热力学第一定律和压缩机能量损失机理建立了多级离心压缩机性能预测的机理模型.该模型无需任何实验确定的性能曲线,完全由压缩机的几何结构参数预测出压缩机在设计工况和非设计工况下的性能.然后利用RBF神经网络修正机理模型的误差,并通过对RBF神经网络的不断更新,进一步提高了模型的预测精度和适用性.将所建立的混合模型应用于实际的离心压缩机,结果表明该方法具有良好的预测性能.     

神经网络在软件可靠性预测中的应用研究

关于应用软件保证在应用中安全可靠,应研究软件可靠性预测问题.针对软件可靠性预测系统是一个多因素的、非线性的复杂系统,传统设计高精度的准确数学模型预测方法是相当困难,RBF神经网络是一种非线性预测能力相当强的预测方法.为了提高软件可靠性预测的准确率,提出一种粒子群优化RBF神经网络的软件可靠性预测模型.模型首先将软件可靠性因子作为RBF神经网络的输入,软件可靠性准确率作为RBF神经网络的输出,然后将RBF神经网络的参数初始为粒子群中的粒子,软件可靠性准确率作为粒子优化的目标函数,通过粒子群之间的协作来获得RBF神经网络最优参数,用最优参数对RBF神经网络对软件可靠性进行预测.仿真结果表明,与传统软件可靠性预测方法相比,粒子群优化RBF神经网络对软件可靠性预测的精度更高,收敛速度更快,同时解决了传统RBF神经网络参数寻优难题,更加适合于软件可靠性预测.     

基于RBF和优化Wiener模型的轴承剩余寿命预测

针对滚动轴承寿命准确预测缺乏表征其健康状态的可靠退化指标的问题,提出径向基(RBF)神经网络及带有漂移参数的维纳(Wiener)模型进行剩余寿命预测。首先,使用小波包奇异谱熵提取轴承振动信号初始特征;其次,利用早期无故障样本特征和失效样本特征训练RBF神经网络模型,将已提取特征全寿命数据输入到RBF神经网络模型,计算隶属度,作为轴承退化指标;最后,根据滚动轴承的退化轨迹,选择不同Wiener模型进行退化建模,根据AIC信息准则和对数似然值选择合适的模型,利用极大化轮廓似然函数在线更新模型参数,预测轴承寿命。结果表明,所提出的轴承退化指标能够表征健康状态,基于该退化指标的Wiener模型能够准确预测轴承的剩余寿命。     

神经网络在股票价格预测中的研究

研究准确优化预测股票价格问题,针对影响股票价格具有非线性、不稳定的特征,股票价格由于受到社会经济因素的影响,变化大.采用传统神经网络方法在股票价格预测中易陷入局部极小值,泛化能力受到影响.为了提高股票价格精度,提出一种基于粒子群优化算法(PSO)的RBF神经网络(RBFNN)股票价格预测模型.利用粒子群优化算法的良好的寻优能力,对RBF神经网络参数进行优化,从而加快RBF神经网络运算速度,并提高了RBF神经网络的预测精度.利用粒子群优化的RBF神经模型对上证指数(000001)股票价格进行了验证性测试和分析,实验结果表明,相对于各参比模型,经过粒子群优化的RBF神经网络模型预测方法有更好的收敛性,更强的学习能力,显著地提高了预测精度,可为预测提供依据.     

RBF神经网络在储层表征中的应用研究

研究利用RBF神经网络技术进行石油储层表征中有关储层参数的计算与岩性的识别;建立了储层参数(渗透率)预测模型与岩性识别模型,并利用该两个模型对未知样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其渗透率预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,RBF神经网络在储层表征问题中有着广阔的应用前景。     

基于混合算法的通信用户规模预测方法研究

准确地对通信用户规模进行预测对于通信运营商的决策具有十分重要的意义,而现有的常规预测方法存在预测误差较大、预测速率低等问题。研究一种基于RBF神经网络的通信用户规模预测模型。为了使得RBF神经网络算法预测性能更优,使用梯度下降算法与遗传算法混合对RBF神经网络进行参数优化,提高预测模型收敛效率。实例分析表明,使用本文研究的混合RBF神经网络预测模型的预测结果明显优于其他传统的预测模型。同时,在预测速度上也具有较大的优势。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

RBF神经网络的粮食产量预测

研究粮食产量准确预测问题,粮食产量变化多种因素综合结果,针对各因素间具有十分复杂的非线性关系,传统预测方法无法反映粮食产量非线性变化规律,导致粮食产量预测精度低.为了提高粮食产量预测精度,提出一种RBF神经网络的粮食产量预测方法.通过采用非线性能力强的RBF神经网络对粮食产量数据进行非线性定阶,通过最优阶数对粮食产量模型进行重构,然后利用遗传算法对RBF神经网络参数进行优化,获得粮食产量最优预测模型,最后对粮食产量进行预测.通过对1 978 - 2008年中国粮食产量进行仿真,实验结果表明,相对于ARIMA、滑动平均和支持向量机等预测模型,RBF神经网络预测精度高,速度快,证明改进方法为粮食产量预测提供了一种新的途径.     

基于多策略粒子群优化RBF的云资源预测模型

针对云计算资源利用率低等问题,构建基于多策略粒子群优化RBF神经网络的云资源预测模型(MPSO-RBF)。采用改进的粒子群算法对RBF神经网络参数进行优化,避免随机初始化参数引起的预测精度低等问题;对于粒子群容易陷入局部最优解等问题,采用动态惯性权重、自适应学习因子和变异粒子位置3种策略对粒子群进行改进,提高算法的寻优能力。基于云计算资源负载数据,将该模型与BP、RBF和PSO-RBF模型进行对比实验,验证了该模型具有良好的性能。     

污水处理决策优化控制

以抑制出水氨氮浓度、总氮浓度峰值和降低能耗为目标,提出污水处理决策优化控制方法.首先利用神经网络建立出水氨氮和总氮预测模型;其次使用多目标进化算法得到溶解氧浓度和硝态氮浓度设定值;最后,根据出水氨氮和总氮浓度预测结果选择控制策略（优化控制和抑制控制）.以仿真基准模型（BSM1）为平台,采用提出的决策优化控制方法进行控制,实验结果表明,该控制方法有效抑制了出水氨氮和总氮浓度峰值,出水超标时间和能耗明显少于所对比决策控制方法.     

基于RBF神经网络的网络安全态势感知预测研究

针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章提出了基于径向基函数(RBF)神经网络的网络安全态势预测模型,采用K-means聚类算法对网络参数进行优化并感知网络安全态势,并采用训练数据来训练该模型。训练结果表明,该方法能较准确的获得态势预测结果,具有较高的检测准确率,与BP神经网络预测对比也显示出更高的精度与更好的适应性。     

基于RBF神经网络的织物透气性能预测研究

建立了反映结构参数与织物透气性能之间关系的神经网络模型，采用了径向基函数神经网络（RBF）算法对织物透气性能进行预测研究。研究结果表明，此算法识别能力强，训练时间短，更能准确地预测织物的透气性能，具有一定的应用前景。     

粒子群优化RBF神经网络的短时交通流量预测

根据交通流量数据具有非周期性、非线性和随机性等特点,为了更准确地对交通流量进行预测,实现交通智能控制和规划是主要问题.交通流量预测中存在容易陷入局部极小值、收敛速度慢,泛化能力差等问题,影响了交通流量预测的实用性和准确性.提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法.利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对短时交通流量进行仿真预测,仿真结果表明,PSO算法优化的RBF神经网络具有较高的预测精度,比RBF预测模型精度高、收敛快.PSO算法优化的RBF神经网络,适用于短时交通流量预测,预测精度较高,具有推广应用价值.     

组合模型在电梯客流量预测中的仿真研究

研究电梯客流量准确预测问题,以保证电梯运行安全.电梯客流量受到周末、上下班及假期影响,流量具有周期性、随机性和非线性变化特点.传统预测模型难以准确描述动态特点,导致电梯客流量的预测准确率低.为了提高电梯客流量的预测准确率,提出一种ARMA和RBF神经网络相结合的电梯客流量组合预测模型.组合模型首先利用ARIMA对电梯客流量线性变化部分进行预测,然后采用RBF神经网络对非线性部分进行预测,最后将两者结果相加,利用组合模型进行电梯客流量预测.仿真结果表明,组合模型用ARMA和RBF神经网络的优点,提高了电梯客流量的预测准确率,为电梯调度及优化控制提供了一种新的分析方法.