基于RBF神经网络的水处理系统建模与仿真

利用径向基函数(RBF)神经网络的特点,采用神经网络对活性污泥法水处理系统进行建模,提出了一种RBF网络学习的新算法,即将改进的减聚类算法和动态最近邻聚类算法相结合的算法.仿真结果表明,该算法先进有效,用其建立的模型具有较强的实用性,为实现水处理系统的在线实时预测控制提供了可行的途径.     

改进的RBF神经网络在非线性系统中的应用

在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用。但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长。针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数。在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的。     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

RBF神经元网络在非线性系统建模中的应用

本文从径向基函数神经网络的特点着手，分析了该网络存在的问题，并且对网络径向基函数中心的选取，计算以及网络的拓扑结构作了改进，最后用改进的径向基函数神经元网络对化工中的连接搅拌反应釜系统进行建模，结果表明方法有效。     

基于回归神经网络的非线性时变系统辨识

为克服基于前馈神经网络的非线性系统辨识算法存在需预先估计系统输入输出滞后阶数的缺陷，提出一种基于回归神经网络的非线性时变系统的辨识算法，针对现有的回归网络学习算法大多采用梯度算法，收敛速度缓慢问题，提出一种具有快速收敛性的扩展卡尔曼滤波学习算法，大大提高了学习收敛速度，并推导了一种基于单个神经元的局部化算法，减少了计算量，仿真实例证明，所提出的算法是有效的。     

基于正则化RBF神经网络的钢包精炼炉电极系统智能建模

通过RBF神经网络和模糊推理系统的比较，得出正则化RBF神经网络的输出特性，在此基础上利用改进的最近邻聚类算法确定网络的隐层节点个数和高斯函数中心，并估计输出层权值。仿真结果表明了所提方案的有效性。     

改进的RBF神经网络在非线性系统中的应用

在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用.但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长.针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数.在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的.     

基于改进RBF网络的传感器非线性误差补偿

为推动胃肠道动力功能障碍型疾病临床诊查技术的发展,研制了胃肠道多元生理参数无创检测系统,针对该系统中压力传感器的非线性误差补偿问题进行研究。介绍了系统所采用的扩散硅压阻式绝对压力传感器的原理,分析了这类传感器的非线性误差产生原因。在传统的减法聚类算法的基础上,提出基于改进的减法—密度聚类算法的RBF网络的传感器非线性误差补偿方法,对样本数据进行聚类操作,用来确定RBF神经网络的初始聚类中心,并结合梯度下降法对网络参数和权值进行训练。结合实际系统的实验数据进行了方法验证和效果分析。实验结果表明:方法在系统误差纠正方面比传统方法提高至-1～4 kPa,使得测量结果准确性得以较大的提高,满足了系统的应用需求。     

一种基于神经网络的非线性时变系统仿真建模方法

针对输入输出均为连续时变函数的系统仿真问题,提出了一种基于函数基展开的神经网络建模方法.在连续函数空间中选择一组适当的基函数,将输入/输出函数在给定的拟合精度下,分别表示为该组基函数的有限项展开形式,由神经网络通过训练样本集的学习,建立输入函数基函数展开式系数与输出函数基函数展开式系数之间的变换关系.由于输入/输出函数与展开式系数之间存在着一一对应关系,从而可实现时变系统输入和输出之间的连续映射.给出了基于Walsh变换的实现方法,并以油田开发驱替采油过程模拟为例验证了方法的有效性.     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

基于RBF神经网络的非线性系统的预测

对于非线性系统的预测辨识,提出用动态节点生成构造性RBF神经网络作为预测模型,且RBF神经网络的学习算法采用一种新的全监督式学习算法,即神经网络隐层引入新节点时,通过使新节点的输出尽可能逼近残差序列的方向来获取网络参数,从而减少学习误差,使网络输出能够较好的跟踪系统输出。仿真表明该学习算法的有效性。     

基于熵聚类的RBF神经网络学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,最常用确定中心向量的方法是K均值聚类算法,对聚类中心的初值选择非常敏感,选择的不好,容易减低网络的训练性能.为克服以上问题,提出了一种熵聚类的方法来自动确定RBF神经网络隐结点的中心个数及其初始值,实现K均值聚类算法的初始化,再用改进的K均值聚类算法调整RBF神经网络的中心和训练宽度.并将上述算法用于函数逼近问题.实验结果表明:改进的算法与常规的K均值聚类算法相比,提高了训练速度和逼近精度.     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.     

基于RBF网络的动力系统Lyapunov指数的计算方法

提出一种基于径向基函数(RBF)神经网络的动力系统Lyapunov指数计算方法，设计了一个RBF网络结构，推导了基于RBF网络的Lyapunov指数计算公式．仿真实验表明，与其它现有方法相比，此方法计算精度较高，收敛速度较快，而且只需要较少的样本数据量．本方法能更准确、更快速地计算动力系统的Lyapunov指数．     

Nonlinear System Identification Using Lyapunov Based Fully Tuned Dynamic RBF Networks

This paper presents a stable, on-line identification scheme for multivariable nonlinear dynamic system. Growing Gaussian Radial Basis Function (GRBF) network with all its parameters being adaptable is used to approximate an unknown nonlinear system. Based on a continuous-time framework, the parameter adjustment law is derived using Lyapunov synthesis approach, which guarantees the stability of the overall system. In addition, to ensure the convergence of the approximation error, a growing strategy for the network is selected and a dead zone is incorporated in the tuning law. Simulation studies on identifying a time-varying nonlinear missile dynamics illustrate the superior performance of the proposed scheme. The studies also indicate that stability and reduction in approximation error can be extended to a network with pruning strategy, thereby resulting in a Growing and Pruning (GAP) RBF network, which can implement a more compact network structure.     

基于ANFIS的非线性电机系统的建模

将一种神经—模糊结构—自适应神经模糊推理系统 (简称ANFIS)用于非线性电机系统的建模 ,获得了一个良好的大范围的全局非线性模型 ,同时 ,通过与反向传播网络建模结果的性能对比 ,说明ANFIS在参数收敛速度及建模精度上的优越性。显示出ANFIS是非线性系统的建模、辨识的有力工具     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。