基于 TentFWA-GD 的 RBF 神经网络 COD 在线软测量方法

针对污水处理过程COD难以实时准确测量的问题,提出了基于TentFWA-GD的RBF神经网络软测量方法。为解决现有RBF神经网络用于复杂工业过程软测量建模时存在网络参数难以确定及训练过程易陷入局部极值等问题,进一步提高RBF神经网络模型的预测精度与泛化能力,引入了Tent混沌映射对烟花算法(fireworks algorithm, FWA)进行改进,利用混沌运动的全局遍历性维持FWA的种群多样性并避免算法早熟收敛;将TentFWA算法与GD方法有机融合提出一种改进的RBF神经网络组合训练方法以改善网络的学习能力。将基于TentFWA-GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD在线软测量模型。仿真与应用结果表明,相对于其他神经网络模型,该模型具有较低的函数逼近误差和较高的COD预测精度。其中COD软测量模型训练结果的均方误差和平均绝对误差分别为0.18和0.25,测试结果的两种误差分别为0.23和0.36。     

基于Matlab人机界面的无刷直流电机自适应控制

提出了基于改进的RBF神经网络的无刷直流电机自适应控制新方法.该方法首先利用由Matlab中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离线辨识,确定RBF神经网络的网络结构及初始权值;再采用RBF神经网络在线算法在线辨识无刷直流电机模型,获得PID参数在线调整信息,并由单神经元PID控制器参数的在线自整定,实现系统的智能控制.由于该算法具有自适应确定网络结构和无需人为确定网络初始权值的优点,因此减少了网络训练的随机性,提高了训练精度.实验结果表明,该控制方法具有较高的鲁棒性和控制精度.     

基于免疫原理的径向基函数网络在线学习算法及其在热工过程大范围工况建模中的应用

针对现有径向基函数(RBF)神经网络训练算法在非线性动态系统大范围辨识中的不足,借鉴免疫原理,提出了一种新颖的RBF神经网络在线学习算法,通过分析RBF神经网络学习过程和免疫系统的相似性,采用免疫记忆、克隆选择、扩增和细胞凋亡机制在线动态调节网络隐层节点,并确定相应的数据中心和宽度,从而使网络具有在线学习和记忆新样本的功能,并将该网络应用于某300MW火电机组主汽压的多工况辨识.实验结果表明该算法不仅能精简网络的结构,而且能很好地适应对象的时变特性.     

基于在线学习RBF神经网络的汽门开度自适应补偿控制方法

汽门控制对于提高电力系统暂态稳定具有重要作用。为了提高汽门系统的控制性能,提出了基于在线学习RBF神经网络的汽门开度自适应补偿控制方法。首先,根据逆系统方法分析了被控汽门系统的可逆性、推导了被控汽门系统输出的α阶导数和伪控制量之间的误差,并设计了用于补偿此误差的在线学习RBF神经网络。然后,基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了闭环系统跟踪误差和RBF神经网络权值估计误差的一致最终有界性。所提出的控制方法仅需被控汽门系统很少的先验知识,而无需其精确数学模型,并且用于自适应补偿控制的RBF神经网络无需离线训练过程。最后,针对典型的单机无穷大汽门控制系统进行了数值仿真。仿真结果表明,所提出的控制方法较传统的非线性最优控制方法能明显提升电力系统的暂态控制性能。     

基于混合学习算法的RBF神经网络主蒸汽温度控制

针对火电厂主蒸汽温度的大迟延、模型不确定性特点,提出一种使用径向基(RBF)神经网络整定PID串级主蒸汽温度控制策略.采用一种最近邻聚类法和梯度下降法相结合的混合学习算法构造RBF神经网络,在线辨识被控对象并对PID主控制器参数进行在线调整.仿真结果表明,基于混合学习算法的RBF神经网络PID控制器具有控制精度高、响应速度快的优点,系统动态品质优于常规算法的RBF神经网络PID控制.     

永磁直线电机神经滑模控制器设计

提出了一种用于永磁直线电机伺服控制的神经滑模控制方法,通过神经网络的在线学习,削弱了滑模控制的抖振.该方法由推力,磁链的积分函数建市滑模面,然后将滑模向量作为RBF神经网络的输入量,RBF神经网络的输出量即为d-q轴控制电压u<,d>、u<,q>,自适应算法根据可达性条件实时在线调整RBF神经网络的连接权值,从而使得系...     

基于RBF神经网络的智能车速度控制系统研究

针对传统PID控制算法在电磁导航智能车速度偏差处理中存在比例、积分、微分参数一经确定,不能在线调整、不具有自适应能力的缺点,提出了将RBF神经元网络控制器及其算法应用到智能车的调速系统中,对传统PID参数整定进行改进。RBF神经网络能够辨识智能车电机的数学模型,可以根据控制效果在线训练和学习,调整网络连接权重值,最终自适应地整定PID三个参数来实现智能车的速度控制。MATLAB仿真测试表明,与传统PID控制算法相比,RBF神经网络PID整定算法在智能车速度控制中具有响应快,超调量小、鲁棒性和适应性强的优点,大大提高了智能车电机控制系统的性能。     

基于支持向量机RBF神经网络的TDOA定位算法

为了克服最小二乘法在无线定位算法中的缺点,提出了基于RBF神经网络的TDOA定位算法。利用SVM优化RBF网络权值、阈值及结点数,获得优化稳定的RBF网络结构,将训练后的RBF网络用于TDOA定位。仿真结果表明,该算法有很强的抗NLOS能力,与Chan算法和基于k-均值聚类法RBF神经网络的定位算法比较,具有更高的定位精度和可靠性。     

基于模糊神经网络的永磁同步电机控制

针对永磁同步电机控制系统的非线性与电机参数时变易受扰动的特性,提出一种基于RBF神经网络在线自学习模糊自适应控制器,利用模糊推理机产生的分目标学习误差进行RBF神经网络的在线训练,有效地提高了控制系统的品质。算法简单易于实现;仿真证明,系统具有较好的动态性能。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法,仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。     

最小支持向量机在系统逆动力学辨识与控制中的应用

为克服支持向量机(support vector machine,SVM)在线辨识过程需要较大的内存开销的问题,该文将递推最小二乘法(recursive least square,RLS)与最小二乘支持向量机(least squares support vector machine,LS-SVM)回归相结合,利用RLS在线调整支持向量机的权向量和偏移量,实现了系统逆动力学模型的在线辨识。在获得逆动力学模型的基础上,设计了一种基于逆动力学递推最小二乘支持向量机的控制算法,利用RLS在线调整控制器参数。过热汽温辨识和控制的仿真结果表明,辨识出的逆动力学模型具有较高的精度,所设计的控制器能获得较好的控制性能和有较强的适应能力。     

锅炉汽温对象逆动力学过程模糊辨识

建立热力系统逆动力学过程模型是热力系统逆动力学研究及应用的关键。该文报告了一种锅炉汽温对象逆动力学过程模型的模糊在线辨识方法与结果。通过聚类和竞争学习算法，对逆动力学模型输入数据空间进行分区，在每个局部的数据子空间上，利用递推最小二乘辨识算法建立逆动力学过程模糊规则，并通过自适应模糊推理实现系统输入过程的反演。仿真结果表明，所建立的逆动力学过程模型对时变汽温对象具有良好的自适应能力和在线跟踪能力；通过汽温对象逆动力学过程在线辨识，能够获得恰当的控制过程，保证系统输出温度按照预定的轨迹达到设定值。     

基于改进蚁群优化算法的配电网线损计算新方法

针对径向基函数（radialbasisfunction,RBF）神经网络收敛速度慢、易于陷入局部极小点的问题,提出了基于蚁群优化算法（antcolonyoptimization,ACO）的RBF神经网络线损计算新方法。通过引入交叉和变异改进后的ACO训练BRF神经网络,使其具有神经网络广映射能力、ACO快速全局收敛以及启发式学习等特点。利用优化后的RBF神经网络算法拟合配电线路线损与特征参数之间的复杂关系,实现配电网线损计算。仿真结果表明,优化后的BRF神经网络算法的线损计算误差基本在1％以内,具有良好的收敛能力和较快的计算速度。     

Adaptive tuning of power system stabilizers using radial basis function networks

A novel approach for on-line adaptive tuning of power system stabilizer (PSS) parameters using radial basis function networks (RBFNs) is presented in this paper. The proposed RBFN is trained over a wide range of operating conditions and system parameter variations in order to re-tune PSS parameters on-line based on real-time measurements of machine loading conditions. The orthogonal least squares (OLS) learning algorithm is developed for designing an adequate and parsimonious RBFN model. The simulation results of the proposed radial basis function network based power system stabilizer (RBFN PSS) are compared to those of conventional stabilizers in case of a single machine infinite bus (SMIB) system as well as a multimachine power system (MMPS). The effect of system parameter variations on the proposed stabilizer performance is also examined. The results show the robustness of the proposed RBFN PSS and its ability to enhance system damping over a wide range of operating conditions and system parameter variations. The major features of the proposed RBFN PSS are that it is of decentralized nature and does not require on-line model identification for tuning process. These features make the proposed RBFN PSS easy to tune and install.     

利用极端学习机的新型定子双馈电双凸极电机效率优化

通过励磁电流和电枢电流的协调控制,可以使电动车用定子双馈电双凸极电机在整个调速范围内运行在较高率区,以满足电动车的高效率要求。但电机中励磁电流与电枢电流、转速和转矩的非线性特性使协调控制实现困难。极端学习机作为单隐层前向神经网络的一种典型学习算法,可以有效解决这个非线性问题。该文提出基于极端学习机的励磁电流和电枢电流的协调控制技术,利用电机运行中效率最高的实验数据作为训练样本,构成两输入两输出的单隐层神经网络,对网络进行离线训练,得到隐层单元的节点数和输出权值用作在线控制。实验结果表明,该方法可以使定子双馈电双凸极电机在整个运行范围内运行在高效率区。     

基于 GAN 网络的电力设施遥感图像去云算法研究

针对电力设施遥感图像云层遮挡问题,提出了基于生成对抗网络(GAN) 的遥感图像去云算法。以条件生成对抗网络 (cGAN) 为主体结构,在编码器自适应填充卷积,设计了基于 Soft Attention的递归神经网络模块,通过对所有特征节点增加 全局依赖关系来解决网络局部最优问题,通过空间信息转换提取关键信息,提高去云与重建效果。实验结果表明,方法对遥 感图像中云层遮挡去除效果较好,重建图像的结构相似性(SSIM) 与峰值信噪比(PSNR) 分别达到0.983与32.899,分别提高 了23.93%与8.86%,均优于其他改进型GAN 网络。研究的方法不仅为基于遥感图像电力设施识别提供了基础,深度学习 遥感图像处理应用提供了参考。     

基于模糊神经网络再励学习控制器设计及其在倒车模型中的应用

考虑到神经网络学习算法的特点，给出了一种基于再励学习的自组织模糊CPN。它结合了模糊自组织CPN和再励算法的优点，在控制过程中在线调整网络结构以及对网络参数学习，学习效率高，控制结构简单。可以不要求受控对象的学习模型，实现在线控制，应用在倒车模型中仿真结果展示了所设计系统的良好控制性能。     

基于多通道采样和注意力重构的图像压缩感知

近年来用于图像压缩感知的深度学习网络得到广泛关注,深度学习网络可以实现图像的压缩采样,并从采样数据重构出原始图像。但现有的压缩感知算法在信息分布不均匀的图像场景中,无法有效提取原始图像信息,导致重构精度较低。针对上述问题,本文提出了基于多通道采样和注意力重构的图像压缩感知算法。该算法包含了多个不同采样率的采样通道,能够根据视觉显著性对图像不同区域应用不同的采样率,使得采样数据中能够包含更多原始图像信息。重构采用了残差通道注意力结构,自适应调整通道特征来提高网络的表示能力。通过对比实验表明,本文提出的基于多通道采样和注意力重构的图像压缩感知算法能够取得更好的重构质量与视觉观感。     

学习方法整定电力系统非线性控制器参数

In this paper, the iterative and increasing learning algorithms are introduced to the adjustment of the parameters of TCSC nonlinear controller in power systems. According to the characteristics of practical power systems, such as the strong nonlinearity, dynamic process and etc., the learning algorithms are improved the off-line iterative learning is firstly modified into the on-line equal periodical learning, and then into the on-line unequal periodical learning. By changing the objective function defined in a continuous set into a function in a point, the increasing learning can be on-line. In order to make the learning algorithms process satisfied effectiveness and can learn under large disturbances of the system, the nonlinearity of the system is used in the learning algorithms. The improved learning algorithms are efficient, simple and practical, and provide new methods for the adjustment of the parameters of the controller. The digital simulation shows that under the same conditions, the performance of the unequal periodical learning algorithm is better than that of equal periodical learning , the performance of the increasing learning algorithm is better than that of the unequal periodical learning. The parameters of the controller found by the learning algorithms make the controller possess better dynamical performance,strong adaptability and robustness.