基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

基于径向基函数网络的一步超前预测控制研究

提出一种基于径向基函数（RBF）神经网络的一步超前预测控制算法。该方法只用于一个网络，控制量的获取只求几步迭代，算法简单并有较好的实用性。通过对离散非线性系统的仿真证明了算法的有效性。     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

基于广义径向基函数的神经网络分类预测

径向基函数网络是神经网络中一种广泛使用的设计方法.它把神经网络的设计看作是一个高维空间的曲线逼近问题.相对于其他的神经网络方法.径向基函数神经网络除了具有一般神经网络的优点,如多维非线性映射能力、泛化能力、并行信息处理能力等,还具有很强的聚类分析能力,学习算法简单方便等优点.针对一个实际分类问题,利用广义径向基函数网络的思想训练一个网络并实现对测试数据集的分类预测.本算法采用k-均值聚类算法训练广义径向基函数网络中心,使用奇异值分解计算输出层权值.对该网络的实现细节及待改进之处进行简要分析.实验表明广义径向基函数神经网络的思想具有很强的聚类分析能力,学习算法简单方便等优点.     

基于神经网络的非线性系统预测函数控制

针对离散非线性系统,利用神经网络非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络预测函数控制方法并给出了控制律的收敛性分析.该方法将复杂的神经网络非线性预测方程转化成直观而有效的线性形式,同时利用线性预测函数方法求得解析的控制律,避免了复杂的非线性优化求解,仿真结果表明了算法的有效性.     

基于径向基神经网络的人民币汇率预测

准确预测汇率对经济发展的各方面都有着重要影响。首先说明了径向基神经网络运作的基本原理,探讨了径向基神经网络汇率预测的重要步骤。接着利用径向基神经网络的数值逼近与记忆功能,根据汇率历史观测数值,对人民币的汇率的行为进行预测。实验结果表明,将径向基神经网络用于人民币的预测是可行的和有效的。     

基于径向基函数神经网络的多级离心压缩机混合模型

大型离心压缩机作为多影响因素和强非线性的复杂系统,其性能的准确预测难以实现.针对这一问题,结合径向基函数(RBF)神经网络,本文建立了多级离心压缩机性能预测的混合模型.首先基于热力学第一定律和压缩机能量损失机理建立了多级离心压缩机性能预测的机理模型.该模型无需任何实验确定的性能曲线,完全由压缩机的几何结构参数预测出压缩机在设计工况和非设计工况下的性能.然后利用RBF神经网络修正机理模型的误差,并通过对RBF神经网络的不断更新,进一步提高了模型的预测精度和适用性.将所建立的混合模型应用于实际的离心压缩机,结果表明该方法具有良好的预测性能.     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析,在综合分析国内外企业信用评分指标体系的基础上,结合我国企业信用评分的特点,建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展,及信用评分本身所具有的特点,建立了基于径向基函数神经网络的信用评分模型,利用现有数据分别进行判别和分析,研究其计算结果与实际情况的差距,然后使用改进的RBFNN学习算法,对径向基函数神经网络进行了学习训练,得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

基于径向基函数神经网络的信用评分模型研究

对信用风险、信用评分进行了分析，在综合分析国内外企业信用评分指标体系的基础上，结合我国企业信用评分的特点，建立了适合我国企业信用评价的指标体系。结合国内外相关研究的现状与进展，及信用评分本身所具有的特点，建立了基于径向基函数神经网络的信用评分模型，利用现有数据分别进行判别和分析，研究其计算结果与实际情况的差距，然后使用改进的RBFNN学习算法，对径向基函数神经网络进行了学习训练，得到了令人满意的评价结果。利用该模型建立的评分系统具有进一步研究和推广应用的价值。     

基于径向基函数网络的非线性离散时间系统的自适应控制

对于一类离散时间的非线性系统x(k+1)=f(x(k))+u(k)+d(k),当系统中的非线性函数f(x(k))满足线性增长条件时,首先证明了{x(k)}落入一紧集中,然后根据高斯径向基函数网络的逼近性质,给出了自适应控制器的设计方法.利用李亚普诺夫稳定性理论,证明了控制算法是全局稳定的,跟踪误差收敛于零的某一领域中.     

基于小波框架的自适应径向基函数网络

给出了由高斯径向基函数生成的一组小波框架,建立在小波框架理论的基础上,构造性地证明了高斯径向基函数网络可以任意精度地逼近L2(Rd)中的函数.在此基础上,利用高斯径向基函数的时频局部化性质和自适应投影原理,进一步给出了构造和训练网络的自适应学习算法.应用到信号的重构和去噪,获得了良好的效果.     

一类基于径向基函数网的分工协作混合系统

径向基函数网络(Radial Basis Function Network,RBFN)是二十世纪八十年代末提出的一种神经网络.当网络的输入维数较大时,RBFN的系统复杂性大大提高,从而使RBFN的行为受到影响,因此降低RBFN输入维数已成为RBFN的研究热点.本文提出一类基于RBFN的分工协作系统及其学习算法(A Divide-and-Cooperate HybridSystem Based RBFN,DCRBFN).DCRBFN是一种由多个子RBFN组成的混合结构,每个子RBFN具有自己的输入空间.由于DCRBFN把高维模型分解为低维模型,所以DCRBFN不仅明显降低了RBFN的复杂性而且网络的收敛速度更快.实验表明,DCRBFN在处理高维模型的行为明显优于RBFN.     

差分RBF神经网络的预测算法及其应用

针对RBF(Radial Basis Function)神经网络处理非平稳时间序列的不足,本文提出一 种修正的差分RBF神经网络结构,并给出相应的预测算法,将其应用于金融领域,对上证指 数进行预测,结果表明其性能优于传统的RBF网络．     

改进RBF神经网络用于降雨量预测

利用基于GA的改进RBF网络建立了为时间序列为对象的预测模型,并提出了基于模型的数据处理方法,在此基础上,对安徽省蚌埠地区42年来6－8月份的降水量进行预测,结果表明了该模型在时间序列预测中有良好的推广和应用能力。     

基于集合和径向基函数的无线定位技术

为了满足航空旅客在航站楼内位置服务的需要,提出一种集合和加权径向基函数相融合的室内定位方法。该方法能够充分利用信号弱的AP(Access Point)对定位的作用,降低旅客走动对定位的影响,弥补传统算法只采用信号强AP的不足,同时具有对AP突发故障不敏感的特点。实验表明在误差2 m内,该算法与现有的典型定位算法相比,能够大幅提高定位准确度,满足航站楼内位置服务的需要。     

基于ARMAX模型自适应预测函数控制

本文提出了基于ARMAX模型的自适应预测函数控制,该算法的特点是占用内存少,计算 速度快,并具有较强的鲁棒性．ARMAX模型参数是通过带遗忘因子的递推最小二乘算法在线辨 识得到．仿真结果表明,该控制算法比PID控制具有更好的控制品质．     

非径向对称的广义径向基神经网络的代理模型

为提高广义径向基神经网络代理模型的计算精度以及减少这种网络的计算量,提出并构建非径向对称核函数的广义径向基神经网络。采用径向对称的高斯核函数以及非径向对称的核函数对测试函数进行代理模型验证,从训练以及测试网络所需的时间、广义网络的隐层节点数、相对误差以及均方根误差等方面对代理模型进行评价,实验结果表明这种非径向对称的广义径向基神经网络的代理模型具有计算精度高、所需网络节点少、计算比较的次数少等优点。     

基于OPC技术的预测控制软件包的实现

本文主要结合预测控制技术,设计开发了基于OPC技术的分布式组件化预测控制软包.对一类系统开环阶跃响应y-u曲线单调递增或递减的非线性情况,提出了模糊逻辑扩展DMC算法.以CENTUM CS1000为平台,非线性连续发酵过程为控制对象,进行仿真研究.     

基于GA-NP算法的约束广义预测控制

针对实际工业过程中存在着约束,提出一种基于遗传算法和非线性规划寻优算法广义预测控制GPC(Generalized Predictive Control)。非线性规划局部搜索能力较强,遗传算法全局搜索能力较强,结合两种算法的优势并引入到广义预测控制的滚动寻优过程中并求得最优控制律。仿真结果表明,该算法提高广义预测控制处理约束的能力,且控制效果良好。