主元分析-径向基函数神经网络软测量方法研究

主元分析方法是基于多元统计分析的数据处理方法,径向基函数(RBF)网络能很好地用于非线性系统建模.针对丙烯腈聚合物水含量这一腈纶生产中的关键指标无法在现场进行在线检测的情况,运用主元分析方法对输入变量进行主元分析以达到降维的目的,再通过RBF神经网络建立非线性软测量模型.仿真结果表明,该模型具有较高的预测精度.     

基于动态RBF网络的预测控制在中速磨煤机优化控制的应用

针对大型火电厂直吹式制粉系统的时滞和非线性特点,将基于动态RBF网络模型的预测控制应用于MPS中速磨煤机的优化控制中。通过对M-RAN算法的改进,加快了对非线性系统的辨识速度。建模仿真证明了改进M-RAN算法的有效性和实时性,并结合预测控制解决了系统的时滞问题;应用结果也表明该方法具有良好的动态响应和较强的鲁棒性。     

应用多神经网络建立动态软测量模型

引　言由于神经网络具有强大的逼近非线性函数的能力 ,因此用神经网络来建立软测量模型是目前被广泛采用的一种方法 .应用最多的是多层前向传播网络 (MFNN)和径向基函数网络 (RBF) .这些网络是静态网络 ,建模所需样本是与时间无关的离散数据 ,这样获得的模型称为软测量静态模型     

基于动态补偿逆的非线性RBF内模控制及其应用

针对非线性不确定系统和传统的非线性内模控制在控制上存在的不足,提出一种基于动态补偿逆的非线性不确定系统RBF内模控制,在引入RBF建立逆模型的同时,将无模型自适应控制方法作为附加控制器,用于模型偏离被控对象时在线修正逆模型。仿真结果表明,本文提出的方法不仅对系统的常量摄动具有较好的鲁棒性,对时变不确定性仍然保持较好的跟踪效果,具有较好的实时性、鲁棒性和在线校正功能。     

基于最小二乘支持向量机的非线性补偿器

针对工业过程中普遍存在的非线性被控对象,通过最小二乘支持向量机对系统的模型偏差建模,并在此基础上构造非线性补偿器.首先,采用具有RBF核函数的LS-SVM离线建立系统偏差模型,并在系统运行时不断对偏差模型进行在线修正;然后基于此模型在DMC预测控制的基础之上构建补偿器;最后成功应用于智能工厂实验室的多变量液位控制实验装置.     

基于EGK'M-RBF网络的顺丁橡胶门尼黏度预测

提出一种基于增强的全局K'-means算法(EGK'M)-RBF网络的建模方法,该方法采用作者提出的EGK'M来确定RBF网络隐含层的结构,包括隐含层中心个数、中心位置以及隐含层扩展常数,采用KPCA提取非线性特征信息,实现辅助变量的二次选择.并与基于PCA和EGK'M-RBF网络模型、基于KPCA和K-means算法...     

基于通用模型自适应控制的DC/DC变换器控制系统研究

针对DC/DC变换器的强非线性,将平均电流模式控制中的电流环作为被控对象,使用RBF神经网络辩识对象的逆模型,嵌入通用模型控制器中.为了克服对象逆模型的辨识误差,通过引入自适应控制,可以保持系统输出对参考轨迹的有效跟踪.仿真结果表明,该系统具有较强的可实现性,控制效果良好.     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量（chemical oxygen demand,COD）是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射 (self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量(chemical oxygen demand,COD)是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射(self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于径向基函数的非线性系统近似偏最小一乘准则辨识算法

针对输入信号非线性相关的非线性系统,提出了基于径向基函数的近似偏最小一乘准则辨识算法。首先对观测数据矩阵进行列扩展,以径向基函数(radial basis function,RBF)网络的输出作为观测数据矩阵的扩展项,然后利用近似偏最小一乘算法对扩展的观测矩阵和输出矩阵进行线性回归。近似偏最小一乘算法用确定性可导函数近似代替残差绝对值,可以抑制对称α稳定(symmetrical alpha stable,SαS)分布的尖峰噪声。同时,通过主成分分析去除非线性系统数据向量矩阵之间的非线性相关,得出模型参数的唯一解。仿真实验表明,本文算法可以对输入信号存在非线性相关的非线性系统进行直接辨识,抑制了尖峰噪声对辨识结果的影响,具有优良的稳健性。     

基于RBF神经网络陶瓷窑炉温度动态矩阵控制

陶瓷窑炉普遍具有纯滞后、大惯性、非线性、时变复杂等特点,其精确数学模型往往很难获取。针对这类系统,本文采用RBF神经网络建立被控对象模型,避免了常规控制算法建立对象精确数学模型的困难。应用动态矩阵预测算法实现对被控系统的预测控制。该控制方法具有很好的动、静态性能和强鲁棒性。以陶瓷窑炉温度为对象,与PID控制进行了比较;仿真结果证明了所提控制方法的有效性。     

重力热管振荡传热特性RBF神经网络动态建模

The work address the problem of modeling the dynamical oscillating behavior during both unstable and stable operations, of an experimental thermosyphon. A standard RBF artificial neural network-based prediction model was developed for predicting the oscillating heat transfer of thermosyphon by means of input-output experimental measurements with the characteristics of time series. A comparison of prediction values between the RBF network and the MLP network was giving. The precision of RBF network was higher than that of the other neural networks such as BP-MLP network etc. The dynamical model of RBF network could be used to describe, predict and control the heat transfer process of a thermosyphon or a heat pipe system.     

确定影响矿井风流稳定性主要风路的神经网络方法

提出了确定影响矿井通风风流稳定性主要风路的新方法。首先构造影响矿井风流稳定性的主要风路的-RBF神经网络模型,然后用生产实际数据对神经网络模型进行训练,从而确定矿井通风系统巷道的风阻与风量之间的非线性映射关系,最后用神经网络计算巷道风阻值的变化对巷道风量的影响,通过风量变化分析确定影响矿井风流稳定性的主要风路。     

基于径向基函数网络的MH/Ni电池建模及容量预测

引　言近年来 ,随着汽车的迅速发展和大量普及 ,它所造成的尾气污染问题也日益突出 .电动车的发展可以有效地解决燃油汽车的污染排放问题 .MH/Ni电池是一种无污染的“绿色能源” ,它具有高比能量、高比功率、长寿命及安全性好等特点 ,是电动车用动力型电池的首选 .在动力型电池     

基于剪接系统的遗传算法RBF网络建模方法

A splicing system based genetic algorithm is proposed to optimize dynamical radial basis function （RBF） neural network, which is used to extract valuable process information from input output data. The novel RBF network training technique includes the network structure into the set of function centers by compromising between the conflicting requirements of reducing prediction error and simultaneously decreasing model complexity. The effectiveness of the proposed method is illustrated through the development of dynamic models as a benchmark discrete example and a continuous stirred tank reactor by comparing with several different RBF network training methods.     

基于神经元网络模型的柴油调合非线性预测控制和在线优化

针对炼油厂柴油调合生产这个强非线性、多输入、多输出、多扰动、大纯滞后对象,提出了以柴油调合倾点RBF神经网络模型为质量指标约束条件的柴油连续调合生产非线性在线最优化方法,提出了基于RBF神经网络预测模型、滚动优化目标函数中带有静态经济指标的柴油连续调合倾点非线性预测控制策略。仿真计算证明本的非线性优化方法能计算柴油调合生产最优配方,在满足生产能力约束和产品倾点质量指标的前提下可实现组分油最优利用而获最大利润;预测控制策略在预测模型与实际对象模型失配时仍具有良好的跟踪性能和抗干扰性能,展示了其良好的工业应用前景。     

固定床反应器基于RBF网络的推断控制

<正>一些研究者基于简化机理模型,讨论了固定床反应器的推断控制。然而,工业过程中有许多固定床反应器的机理模型尚难以建立,而且由于固定床反应器特性的复杂性,模型简化和状态估计器的设计等具有较大的困难。因此,基于“黑箱”模型研究固定床反应器的推断控制可能是一条十分有效的途径。Budman等人提出用部分最小二乘法(PLS)以改进回归模型的性能。他们对实验室固定床反应器,假设沿反应器轴向的十点温度可以测量,并据此建立回归模型,然而由于固定床反应器具有严重非线性和时变等特性,用PLS法建立估计器仍有局限性。另外,实际的固定床反应器可能只有少数几个温度可以测量。因此其面向应用的推断控制策略的研究有十分重要的意义。     

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性.     

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。