基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

基于聚类与梯度混合学习算法RBF神经网络的电液伺服系统建模及仿真

针对电液伺服系统同有的流量-压力等非线性凶素使得传统的机珲建模法难以获得系统的精确数学模型,该文采用RBF神经网络对某型号武器扫雷犁电液伺服系统建模并进行了仿真.由于神经网络学习时间较长且不易收敛,采用聚类与梯度训练相结合的混合学习算法对RBF神经网络进行训练.首先使用聚类方法对学习样本进行聚类,确定隐含层结构,然后用...     

一种改进的RBF神经网络及其在短期交通量预测中的应用

文中提出了一种改进的RBF神经网络最近邻聚类学习算法，并将其应用于短期交通量预测中，实验结果表明，改进算法的拟合效果明显优于常规最近邻聚类学习算法的拟合效果，可以明显提高RBF神经网络的性能。     

模型参考自适应控制在主蒸汽温度控制中的应用

火电厂主蒸汽温度具有大迟延、大惯性的特点,且对象特性随负荷变化较大等因素,很难实现稳定和高性能的控制。针对这一特点,提出了基于模型参考自适应控制的控制策略。仿真结果表明,该控制策略比常规的PID-P串级控制具有较好的控制品质。     

神经网络在火电厂主蒸汽温度控制系统中的应用

阐述了火电厂主蒸汽温度控制中面临的问题 ,介绍了神经 PID控制在工业上的应用 ,提出用神经 PID控制改进主蒸汽温度控制 ,并用 MATLAB进行仿真。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

基于模糊自适应内模控制的主蒸汽温度控制系统研究

采用一阶时滞模型作为主蒸汽温度广义被控对象模型,设计基于模糊自适应内模控制的主蒸汽温度控制系统。在不同典型工况辨识得到不同对象模型参数,根据模型参数和模糊自适应规则自动整定控制器参数。对所设计的控制系统进行仿真和实际应用。结果表明,在外部扰动或模型不能准确匹配及不同工况运行时,此控制策略较传统串级PID控制和Smith预估控制具有更好的控制品质。     

基于新型RBF神经网络的中速磨煤机建模

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)神经网络设计方法,该方法采用人工免疫聚类机制根据输入数据集合自适应确定RBF神经网络隐节点的数量和数据中心位置,并通过提取核函数宽度作为疫苗和免疫选择操作确定网络输出层的权值。利用RBF神经网络设计方法建立了中速磨煤机出口温度和入口空气流量的RBF神经网络模型,仿真结果表明该模型具有较高的精度。     

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

针对机器人系统的不确定、非线性特点，设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界，并利用模糊推理机产生的分目标学习误差进行训练，避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题。此外，在反馈回路还设计了固定比例增益控制器FC，起着监督的作用，对系统实施渐近稳定的控制。仿真结果表明这种控制方案实现了对机器人系统的高精度控制。     

用RBF神经网络逼近Volterra级数实现非线性噪声的消除

Volterra级数展开式的非线性滤波器由于综合地利用了线性和非线性项,因而比其他非线性滤波器具有更好的性能。但随着Volterra滤波器阶数的增加,对应的滤波系数个数呈几何级数增长,实现非常困难。本文利用RBF神经网络具有非线性函数的逼近能力和其局部逼近网络学习速度快的优点,用RBF神经网络逼近Volterra滤波器以实现非线性噪声消除。Matlab仿真结果表明了此方法的有效性。     

基于RBF神经网络辨识的过热蒸汽温度控制

提出一种基于RBF神经网络辨识的PID串级主蒸汽温度控制策略,即将RBF神经网络与常规PID串级控制相结合构成RBF-PID控制器.该控制器不仅具有常规PID控制器的特性,而且还具有智能控制器的自学习能力,增强了系统对不确定因素的适应性.仿真研究结果表明,RBF-PID控制系统动态调节品质显著优于常规PID串级控制,能适应对象参数的变化,具有较强的鲁棒性和自适应能力.     

基于神经网络在线学习的过热汽温自适应控制系统

将反馈误差学习控制与径向基函数神经网络相结合，提出了一种基于神经网络在线学习的自适应控制方法，神经网络控制器利用常规控制器的输出增量作为误差信号进行在线学习，实现对常规PID控制器的补偿，使控制系统能够适应对象的非线性和时变特性。将该方法应用于电厂过热汽温控制系统进行仿真研究，结果表明该方法能较好地适应对象特性的变化，且控制系统的性能比常规串级控制系统有较大的提高。     

神经网络式距离保护的混合训练算法

针对ＢＰ算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用中伤虎法能够进行全局最优化搜索这一特点,在改进的自适应遗传算法的基础上,提出了一种新的用于ＢＰ网络训练的混合算法,即改进的自适应遗传算法与ＢＰ算法相结合的混合训练方法,将所的混合训练方法应用于神经网络式距离保护中,利用ＡＴＰ仿真的结果进行训练及检验,结果表明,所提出的算法与单一的ＢＰ算法相比,不仅可避免陷入局部极小点,     

基于模糊神经网络智能PI的过热蒸汽温度控制研究

介绍了在电厂过热蒸汽温度控制中采用模糊神经网络智能PI(FNN-PI)的控制方法。将基于FNN-PI的过热蒸汽温度控制系统与传统的PID过热蒸汽温度控制系统进行了仿真比较,结果表明采用FNN-PI的过热蒸汽温度控制系统的控制特性在超调量、快速性、抗干扰方面均有很大的提高。     

一种改进的主汽温过程模型神经网络辨识方法

介绍了一种用RBF网络进行主汽温系统辨识的一种方法，采用串一并联型的辨识结构，其输入为待辨识对象的输入和输出，导师信号为待辨识对象的输出，隐层的结构函数采用高斯函数，训练时的输入信号采用阶跃信号与白噪声信号的叠加信号，仿真结果表明，这种方法对系统有非常好的辨识能力。     

基于免疫遗传算法优化的汽温系统变参数PID控制

针对工程实际应用，提出了一种改进的变参数PID控制策略，新的控制策略不论对于调节还是设定值跟踪，均具有很好的控制效果，对于工业实际中常见的大滞后对象也有很好的抗干扰性能和较强的鲁棒性。为了使变参数皿控制取得更好的性能，提出了鲁棒整定的思想，并采用免疫遗传算法进行设计参数的鲁棒优化调整。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主蒸汽温度被控对象进行的仿真研究结果表明，基于免疫反馈和遗传机制的免疫遗传算法具有全局优化的能力，对变参数PID控制的参数优化设计是成功和有效的，使得具有多模型特性的汽温控制系统在不同的负荷下均获得很好的调节品质。同时也表明，免疫遗传算法和变参数PID控制均具有较好的发展前景，可用于某些多模型系统的同时整定设计。     

基于局部神经网络模型的过热汽温多模型预测控制的研究

针对锅炉过热汽温的特点，设计串级过热汽温控制系统。主调节器采用基于局部神经网络模型的多模型预测控制，即由主蒸汽流量确定的不同工作点，用神经网络建立局部动态模型，进而建立一组局部神经网络预测控制器，然后通过加权合成的方式获得最终的控制信号；副调节器采用基于多个简单比例控制器的加权合成比例控制。该控制方案融合了神经网络、多模型控制和预测控制的特点。仿真结果表明，在负荷大范围变化的工况下，控制系统仍保持了良好的控制性能，具有较强的鲁棒性。     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

锅炉过热汽温系统的DRNN网络自整定PID控制

火电厂过热汽温控制系统具有大惯性、大迟延、参数慢时变的特点，受到的扰动因素较多；随机组负荷的变化又表现出参数快时变的特性，常规的按照典型工况整定的固定参数PID控制难以适应负荷变化，往往未能取得满意的调节效果。为此，提出一种基于DRNN的两级神经网络的过热汽温系统自整定PID控制策略，其中两级神经网络分别为静态网络SNN和动态网络DNN，SNN依据机组运行工况如负荷进行PID参数的粗调整定，以适应机组负荷的较大范围变化，如参与调峰；DNN依据偏差和偏差变化率进行PID参数的细调整定，以克服机组负荷的小范围变化、参数的慢时变漂移和各种扰动。为了克服系统的大惯性和大迟延，引入灰色预测器对未来信号进行预测，预测结果作为DNN使用的整定信息。对某汽温系统的计算机仿真研究结果表明：基于两级神经网络自整定控制策略的主汽温控制系统获得了良好的动态调节品质，具有较强的鲁棒性。     

基于混沌学习算法的神经网络短期负荷预测

基于混沌理论对电力负荷的复杂时间序列进行分析,得出该时间序列属于混沌序列的结论,就此提出了一种新的神经网络（NN）学习算法——混沌学习算法。该算法中的混沌轨道的游动性有利于系统跳出局域极值的束缚而寻求全局最优,这样克服了前馈NN 的BP学习算法所存在的本质问题,使NN训练的收敛性好、速度快、误差小。文中通过对实际系统负荷预测结果,与BP算法预测结果比较,证明了混沌学习算法的电力负荷短期预测具有明显好的效果。