基于卡尔曼滤波算法和双径向转移函数的RBF型神经网络

RBF径向基函数神经网络具有训练简洁、学习效率快、不易陷入局部极小等优点,广泛应用于信号处理与模式识别.虽然常用的RBF网络比较容易构建,但因其结构通常固定或者复杂度较高,从而导致学习时间过长或网络资源的浪费.针对上述原因,提出利用扩展卡尔曼滤波器作为RBF的学习算法,并在隐层中使用双径向函数.通过对逼近基准的结果分析,清楚地表明该算法比其他分类网络模型具有更强的泛化性.     

基于RBF神经网络的摩擦补偿建模与控制

机械系统摩擦的精确数学模型很难建立,因此,尝试采用RBF神经网络系统在线逼近摩擦模型并将辨识结果作为控制算法的补偿项。在控制方法上,采用了基于RBF神经网络系统补偿的PD算法。在系统证明上,从李雅普诺夫函数中导出了自适应参数并且分析了闭环系统跟踪误差的有界性。利用Matlab对提出的方法及证明的有效性进行了验证。     

一种基于卡尔曼滤波和模糊控制的RBF神经网络新型学习算法

提出了基于Kalman滤波最优估计和模糊控制的径向基函数（Radical Basis Function, RBF）神经网络学习算法,用实例进行了仿真实验。结果表明,与传统的RBF网络学习算法比较,该算法具有明显快速的学习效率和较高的识别精度.     

卫星快速稳定随机PD控制研究

本文以卫星对地立体观测为背景，研究了控制参数及随机噪声对卫星姿态指向精度和姿态稳定度的影响，得到了一种保证高精度姿态指向与姿态稳定度的快速稳定随机PD控制参数求解方法，并采用由本文提出的求解方法得到的控制参数进行了数学仿真。     

基于RBF神经网络的数据挖掘研究

探讨了基于数据仓库的数据挖掘技术的原理与相关方法,介绍了RBF神经网络的原理与特点。针对RBF神经网络非线性映射能力强和学习速度快等特点,介绍了基于RBF神经网络的数据挖掘方法的数据清洗、预处理和正则化等操作步骤。神经网络具有分布式存储信息的特点,能够利用大量神经元间的连接,以及连接权值的分析,来限定特定信息。使用这种思想构建的网络系统,即使在局部的网络损坏,也不会导致整体的瘫痪。     

基于RBF神经网络PID的无人动力伞控制

动力伞是一个复杂的非线性动力学对象,难以用精确的数学模型描述。对于这种具有非线性、时变和强耦合特性的综合系统,采用传统PID控制方法不能得到满意的控制效果,因此提出一种基于RBF神经网络的PID控制方法。该方法利用RBF神经网络的自学习、自适应能力自调整系统的控制参数,从而实现对PID控制器各参数的优化整定。在Mat-lab软件中的仿真结果表明,该方法可实现对动力伞有效的控制,并且与传统PID相比,具有更短的调节时间,更好的稳定性、自适应性和鲁棒性。     

基于RBF神经网络的减摇鳍自适应滑模控制

为减轻船舶在大风浪中剧烈的横摇,减摇鳍是目前应用最广泛的减摇装置.针时船舶减摇鳍系统的非线性和不确定性,在系统不确定性函数结构未知的情况下,提出一种RBF神经网络自适应滑模控制方法.采用RBF神经网络逼近系统不确定动态,并设计权值的自适应律,结合滑模控制增强系统的鲁棒性.在不同有义波高和不同浪向角下,建立随机海浪的干扰模型,应用simulink对系统进行仿真.仿真结果表明,该控制策略在各种海况下,均具有良好的减摇效果和较强的鲁棒性.     

基于RBF神经网络建立税务预测模型的研究

简要地介绍了RBF神经网络的结构及训练算法，并分析了影响税收的一些主要因素。在此基础上提出了基于RFB神经网络的税收预测模型。实验及仿真结果说明了模型的有效性。     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

基于RBF神经网络的非线性控制系统

针对时滞、非线性多变量耦合系统控制中串级控制存在滞后，并且PI控制参数初始设置困难，很多时候只能手动控制的缺陷，本文采用内模控制方隶．通过RBF神经网络训练获得内部模型，同时利用最小二乘模型降解，简化解耦矩阵的求取，实现了两输入两输出系统的解耦控制。仿真结果表明．该方案可以消除变量间的耦合，并且解决了时滞问题、降低过程超调量，使得控制系统更加平稳，改善了过程控制的品质。同时．当对象特性发生一定改变时．系统具备良好的鲁棒性能。     

基于扩展卡尔曼粒子滤波算法的神经网络训练

神经网络的训练是一种非线性系统的辨识问题,基本粒子滤波算法已被成功用于训练神经网络,但基本粒子滤波算法在建议分布的选择上并没有考虑当前时刻观测值的影响,本文针对该问题提出使用扩展卡尔曼滤波器来生成建议分布。由于扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布。实验结果证明,使用扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

基于RBF网络的参数自学习模糊控制的研究

模糊控制以其自适应性、鲁棒性和易于实现等优点得到广泛应用。然而模糊控制规则的获得通常由专家经验给出,这就存在诸如控制规则不够客观、专家经验难以获得等问题。在模糊控制系统中,模糊规则库的构建是至关重要的,因此研究模糊规则的自动生成有着重要的理论和应用价值。本文首先以模糊控制理论和RBF神经网络理论为基础,提出了一种能够有效表达模糊系统可解释性的RBF网络结构;然后详细讨论在此网络结构下提取模糊规则的学习算法;最后依据上述方法进行仿真实验,实验结果表明,这种根据测量数据自动提取模糊规则的方法是有效的。     

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

RBF-PID控制在防滑刹车系统中的应用研究

为了研究飞机防滑刹车系统,在分析滑移率控制式飞机防滑刹车系统的工作原理基础上,将基于RBF神经网络算法的PID控制方法引入飞机防滑刹车系统中,实现最佳滑移率式的飞机防滑刹车控制.以某型飞机为例,针对不同的跑道(干、湿、冰)情况,将该方法和传统的PID控制方法在MATLAB环境下进行了数字仿真,仿真结果表明:基于RBF神经网络PID的控制方法较传统的PID控制方法,有更好的刹车控制效果,并具有较强的鲁棒性;采用基于滑移率式的RBF神经网络PID控制可以大大地提高飞机防滑刹车效率,为飞机防滑刹车系统的控制提供一条新的思路.     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。