RBF神经网络用于系统的预测最优控制

为了实现系统的预测最优化控制,问题的关键是如何准确而迅速地对未来一段时间内的系统状态进行预测,然后利用此预测结果及优化指标来控制有关系统变量,人们对此进行了许多研究,但尚有其不足之处。为此,提出压缩预测变量集规模等办法来增加ＲＢＦ神经网络有效预测时间长度,在此基础上利用稳态最优解和优化指标来控制有关量。此方法被用于某化工过程,结果能使系统运行更为平稳,并使有关量达到了预测的优化指标。     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

BP神经网络和RBF神经网络模型对图书流通量的预测分析

图书流通量是评价图书馆工作的重要指标.为解决图书流通量预测问题,引入BP和RBF神经网络预测模型.结合北京建筑工程学院图书馆2002年至2010年建筑类图书的流通数据进行了matlab仿真,结果表明,两种模型都能有效预测图书的流通量.     

基于蚁群聚类算法的RBF神经网络交通流预测

短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和RBF神经网络结合来构建交通流预测模型,用蚁群聚类确定RBF网络隐层神经元的中心值,并且为了找到最优的聚类结果,在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测效果较好.     

工业酚水稀释的RBF神经网络预测控制

针对酚水稀释过程中酚水流量不便测量的工程情况,提出了一种基于RBF（径向基）神经网络的预测控制方法.在酚水罐每个液位变化周期内使用计算机定时测量液位高度,并将这些高度值作为目标输出,在每个循环结束时训练RBF网络,利用RBF网络的逼近能力来实时预测酚水流量,从而控制清水的配比,实现酚水质量浓度的稳定.该方法可避免测量误差带来的干扰,提高控制精度.     

基于RBF神经网络的太阳能电站VRLA蓄电池容量预测方法

为了对太阳能电站VRLA蓄电池进行有效的保护,防止蓄电池的过放电,本文对VRLA蓄电池进行准确的容量预测。在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用RBF神经网络建立了铅酸蓄电池的数学模型,用于预测铅酸蓄电池放电过程某一状态下的剩余容量。实验结果表明该网络模型可以快速、准确得到蓄电池剩余容量。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

RBF神经网络中心选取OLS算法的研究

介绍了RBF网络的基本原理，对RBF网络中心选取的算法进行了研究，探讨一种算法，以克服目前RBF网络中心选取算法中的一些缺点，文章给出了OLS算法及其应用函数逼近的实例，结果证明，由于教育处过程中应用了这一算法的正交化性质，所以网络调整时对已有模式的扰动最小，这说明OLS算法不仅简单有效，而且性能优越，并有较强的实用性，在许多领域有广泛应用。     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

ROLS-AWS algorithm used in RBF neural network for multi-user detection

To improve the computational speed, the ROLS-AWS algorithm was employed in the RBF based MUD receiver. The radial basis function was introduced into the multi-user detection （MUD） firstly. Then a three-layer neural network demodulation spread-spectrum signal model in the synchronous Gauss channel was given and the multi-user detection receiver was analyzed intensively. Simulations by computer illustrate that the proposed RBF based MUD receiver employing the ROKS-AWS algorithm is better than conventional detectors and common BP neural network based MUD receivers on suppressing multiple access interference and near-far resistance.     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

基于全监督算法RBF神经网络的语音识别

利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。     

基于神经网络的有效停车泊位预测方法研究

对基于神经网络的有效停车泊位预测方法进行研究,通过调查及采集商业中心区停车场停放车辆的实时数量信息,建立相应的神经网络模型,并运用MATLAB仿真分析软件实现实时有效停车泊位预测,最后对误差结果进行分析和解释。     

基于RBF网络的轮胎侧向力模型

RBF神经网络相对于其他网络的特点是计算量小,收敛速度快,具有良好的非线性映射效果.采用人工神经网络中的径向基函数(RBF)神经网络,对车辆操纵稳定性仿真分析中的轮胎侧偏特性进行研究,建立轮胎侧向力神经网络模型.并与用于学习的实验数据进行比较,以验证这种模型的准确性,并以求为车辆动力学仿真和控制提供更好的手段.