一种改进的RBF网络在电力系统短期负荷预测中的应用

针对径向基函数网络在电力系统负荷预测中隐含层节点数难求问题,提出一种改进的RBF神经网络,采用最近邻聚类学习算法自适应的调整径向基函数中心的宽度值和权值,可提高收敛速度和精度。实例仿真结果证明有效性和可行性,为电力系统负荷预测提供了一种新途径。     

基于径向基神经网络的液压支架前连杆可靠性评估研究

为了解决液压支架前连杆可靠性评估困难的问题,提出了一种基于径向基神经网络的液压支架前连杆可靠性评估的方法。首先使用ANSYS参数化语言APDL对液压支架前连杆进行静力分析,确定与前连杆可靠性相关的设计变量;再使用ANSYS/PDS模块结合拉丁超立方抽样法对前连杆进行可靠性分析,获取多组前连杆不同设计变量的可靠度;最后使用径向基(RBF)神经网络拟合设计变量与可靠性之间的函数关系,建立前连杆可靠性评估模型,预测前连杆的可靠度。计算结果表明,前连杆可靠度计算结果的最大相对误差为4.46%,最小误差为1.59%。证明了径向基神经网络应用于液压支架前连杆可靠性评估的可行性,为液压支架前连杆可靠性评估提供了新的方法与思路。     

燃煤飞灰浮选除炭的径向基神经网络模型

利用MATLAB程序构建径向基函数神经网络，运用计算机经过517次训练学习后，可实现粉煤灰除炭浮选工艺产品结果预测和工艺参数确定，并通过试验验证了神经网络模型的计算结果。实践表明，径向基神经网络模型所映射的关系可达很高的精度，明显优于其他形式的数学模型。     

基于RBF网络与自适应遗传算法的旋转机械故障诊断方法

针对RBF网络学习算法工作量大和类别数需预先确定的问题,通过引入具有自适应机制的的遗传算法,结合梯度下降法交互运算,提出了自适应遗传算法和径向基函数网络相结合的旋转机械故障诊断方法。通过对样本模式聚类和故障状态的分析,并利用自适应遗传算法优化相关的RBF网络,有效地解决了隐节点数和各参数的取值问题。应用结果表明,RBF网络和自适应遗传算法相结合提高了全局寻优效率。     

基于径向基函数曲面的矿体隐式自动三维建模方法

矿体三维建模与可视化是矿山信息化与数字矿山的核心内容。目前国内外矿业软件普遍采用基于序列剖面或中段平面矿体边界多边形连接的显式矿体建模方法,建模过程需要大量人工交互且数据更新后模型重建困难。引入径向基隐函数,提出一种基于隐式曲面的矿体自动建模方法。该方法无需手工圈定矿体边界,直接基于钻孔化验数据进行空间插值,自动构建矿体三维模型曲面,并能针对夹石体自动单独建模;作为建模参数,边界品位重新设定后可自动更新重建矿体三维模型。针对某矿山数据进行了不同边界品位的矿体自动建模实验,与显式方法建模结果对比表明,基于径向基函数隐式曲面的矿体建模方法自动化程度高、模型光滑且无拓扑错误,可为国内数字矿山与地学三维软件的研发提供新方案。     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

应用径向基神经网络预测矿产品价格

矿产品价格是矿业项目投资经济评价的重要参数。矿产品价格的合理确定是一个十分复杂的问题,也是涉及矿业项目投资经济评价可靠性、可行性的关键。本文首先讨论了矿产品价格的定价原理,指出其具有较强的不确定性和时序性,在此基础上,建立了基于径向基神经网络(RBF)的矿产品价格非线性预测模型,由3层前向神经网络组成,并以高斯函数作为基函数,该模型具有结构自适应、易于收敛和外推能力强等优点。应用建立的预测模型时某金属的中长期价格进行仿真,结果表明具有较好的可靠性和实用性。     

基于抛掷爆破预测的BP神经网络参数优化方法

研究了不同隐含节点个数、训练函数、转移函数、学习率对BP神经网络预测结果准确性和收敛速度的影响;对比分析了参数优化后的BP模型与径向基神经网络、支持向量机预测模型的结果;并应用某露天矿抛掷爆破作业的实测数据进行了相关实验。实验结果表明：最优BP模型的拓扑结构为10-6-3;最佳的训练函数为LM函数,正切和线性函数的组合为最优的转移函数,最佳的网络学习率为0.77;参数优化后BP模型的最远抛掷距离、抛掷率、松散系数的预测结果与测试样本的标准差最小,分别为9.567 8,0.036 3,0.041 4,即参数优化后的BP模型预测结果最优。     

综采工作面自动化放煤控制技术研究

针对放顶煤过程中出现"过放"状况和"欠放"问题,以随机介质放矿理论为基础,建立了基于果蝇优化算法和RBF混合算子的放顶煤时间预测方法。采用径向神经网络建立以顶煤高度、煤层强度、顶煤节理裂隙、夹矸层厚度等因素作为输入变量,以散体流动参数为输出的神经网络模型,对放顶煤时间建立预测模型,实现了放顶煤时间变化的自适应,进而实现了放顶煤过程的自动化。     

基于LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索（LASSO）算法与径向基函数神经网络（RBFNN）相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于RBF神经网络的爆破参数优选

为确定合理的爆破参数,建立了RBF神经网络模型,统计了8个矿山的样本数据,将影响矿岩可爆性的6项因素:矿石容重、弹性模量、抗拉强度、矿石坚固性系数、摩擦角、黏结力作为RBF神经网络模型的输入因子,排距、孔底距和一次炸药单耗作为影响爆破参数的输出因子,优选样本参数,得出最优的爆破参数。以某矿中深孔爆破为例,通过RBF神经网络模型优选出该矿的爆破参数：排距1.3 m,孔间距2.2 m,炸药单耗0.32 kg/t。实践证明,选择的孔网参数合理,爆破效果良好。     

基于多RBF神经网络的板形数据建模

常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响, 为此设计了多RBF神经网络板形识别模型, 用多个子网络分别识别不同的特征参数, 能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明: 所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型, 并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于径向基神经网络的无位置传感器开关磁阻电机采煤机牵引系统

提出了无位置传感器SRM应用于采煤机牵引系统的可行性,分析了开关磁阻电机非线性的磁链特性及实时计算方法,建立了以磁链和相电流为输入、转子位置角度为输出的径向基（RBF）神经网络模型,以轴编码器实时获得的转子位置角度为学习样本,对SRM的数学模型进行了在线学习,给出了学习算法和训练步骤。以TMS320F2812 DSP为控制芯片,开发完成了1套18.5 kW三相12/8极无位置传感器开关磁阻电机样机,并进行了采煤机牵引实验。实验结果表明,系统运行可靠,具有良好的静动态性能,位置检测误差≤2°。     

传感器校正方法在雷管暗伤自动检测系统中的应用

提出了采用电磁理管、分管、瞬间高气压冲击检测的原理,融合计算机控制和新型传感器技术研制出了雷管暗伤自动检测机.同时运用RBF神经网络对压力传感器进行校正,选取其中动态最近邻聚类算法作为学习算法训练网络,降低传感器网络体系受环境温度和电源波动等因素的影响,使其具有良好的线性输出.设备运行表明,暗伤检测合格率为100 %,检测效率为128个/min.     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

基于小波包与EKF-RBF神经网络辨识的瓦斯传感器故障诊断

针对瓦斯传感器常见的偏置型、冲击型、漂移型和周期型4种突发型故障,以小波分析和RBF神经网络为基础,提出了由小波包分解提取特征能量谱与扩展Kalman滤波算法（EKF）优化的RBF神经网络进行模式分类辨识的瓦斯传感器故障诊断方法。对瓦斯传感器的输出信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练EKF-RBF神经网络,采用参数增广和统计动力学方法,通过带有整定因子的EKF参数估计,用来辨识瓦斯传感器的故障类型。实验结果表明：该方法的辨识正确率在95%以上,误报率和漏报率都明显优于其他算法,能够有效用于瓦斯传感器的故障在线诊断。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.