基于MATLAB的RBF神经网络在建筑物沉降预测中的应用

介绍了RBF神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和BP神经网络在收敛速度上进行了比较,结果表明RBF神经网络的收敛速度远远快于BP网络。     

基于灰色RBF神经网络瓦斯涌出量预测

影响瓦斯涌出量的各种因素往往存在高度非线性,神经网络适合处理高度非线性数据,但样本数据随机性往往容易影响神经网络模型的预测精度,所以将改进的灰色模型引入进来弱化样本的随机性。又考虑到瓦斯预测上,RBF神经网络比BP神经网络更有优势,通过做差值将改进的灰色GM(1,1)模型和RBF神经网络结合起来,建立灰色RBF神经网络模型。仿真实验证明,灰色RBF神经网络模型比RBF神经网络模型的预测精度更高,达到了较理想的预测效果。     

BP和RBF神经网络在起重机钢丝绳断丝数量预测中的比较研究

利用MATLAB工具箱函数分别建立了起重机钢丝绳断丝数目检测的BP神经网络和RBF神经网络模型,并对2种模型的结构、预测精度和训练过程进行了对比研究。结果表明,在一定的样本集和训练条件下,BP和RBF神经网络均能对钢丝绳的断丝数目进行很好预测,可以解决峰值、阀值波宽、小波能量和波形下面积对钢丝绳断丝数目的非线性映射关系,能够满足工程预测的需要。但RBF神经网络较BP神经网络在迭代次数、收敛速度和网络结构方面更具优势,因此其预测能力和泛化能力都优于BP神经网络。     

基于RBF神经网络的绝缘子污秽智能诊断

选用RBF神经网络建立绝缘子泄漏电流特征量、气象参数与绝缘子污秽程度之间的映射关系,通过人工污秽试验数据对网络进行训练,搭建了基于RBF神经网络的绝缘子污秽智能诊断模型,并对该模型的预测做了验证,结果表明,可以对绝缘子污秽程度实现很好的预测效果。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

基于RBF神经网络瓦斯水合物生成压力预测研究

瓦斯水合物生成是复杂的结晶过程,不同组分和浓度瓦斯生成水合物时压力等热力学参数的获取对水合物技术的应用具有非常重要的意义。鉴于此,利用径向基神经网络方法对瓦斯水合物生成压力进行了预测。针对瓦斯水合物生成边界条件,确定了RBF神经网络的输入、输出向量,建立了RBF神经网络瓦斯水合物生成压力计算及预测模型,并用实验数据进行了验证。结果表明,该模型对瓦斯水合物生成压力的拟合和预测具有计算精度高、速度快等优点。RBF神经网络研究为瓦斯水合物生成压力预测提供了一种新途径。     

基于模糊神经网络的往复压缩机的性能预测研究

为了能够准确地预测出离心泵的性能参数值,利用了径向基函数神经网络(RBF)建立对其进行性能预测的神经网络模型,可以研究离心泵的流量,叶片出口安装角,压力比和效率之间的神经网络与预测关系。利用MATLBA软件实现了RBF神经计算,分别对离心泵的压力比和效率进行了性能预测,预测效果表明,RBF神经网络的计算模型可以提高预测效率和预测精度。     

RBF神经网络在岩爆预测上的运用

岩爆是煤矿生产中常见的动力灾害,岩爆的预测一直是矿井灾害预测中的难点。由于岩爆的发生突然、机理复杂、干扰和影响因素多,因此很难对岩爆进行有效的预测。人工神经网络具有并行分布处理与存储、高度容错、自组织、自适应和自学习功能,能分析较为复杂的非线性系统。文中以MATLAB7.0为开发环境,利用其神经网络工具箱的RBF网络,通过一套权值和阀值来仿真模拟岩爆对岩爆进行预估。通过实际模拟表明利用RBF神经网络对岩爆进行预估是一种成功的的方法,其预测结果与实际情况相一致,说明利用该网络模型对岩爆的预测是可靠的。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

品位估值的自适应径向基神经网络构建技术

在简要分析常用储量计算方法与BP神经网络预测方法存在缺陷的基础上,分析了径向基神经网络隐层节点参数在映射机理上与地质统计学方法理论上的一致性,以及其权系数能解析方式求解、可避免网络训练过程陷入局部最优乃至不收敛现象的特征,提出了构建径向基函数神经网络进行矿床品位估值模型的研究思路。通过多方案分析,得出了待估点三维坐标及周围样品点个数是影响径向基函数神经网络模型估值精度的主要因素,给出了输入节点变量空间的基本配置方式--3个坐标加周边8个样品点品位。针对实际工程中样品空间较大的特征,分析了隐层中心、宽度等参数需根据输入变量自适应构造的必要性,以及利用正则化正交最小二乘的前向选择法的可行性。利用开发的具备用户自定义和交互式输入参数的计算机软件,构造了两种不同的品位估计模型。验证试验表明：基于样本空间自适应构建的径向基函数神经网络,建模速度快、可靠性强,平均估值误差最大为309%,且正则化参数对模型的估值精度影响较大,考虑了该参数的模型估值效果更好。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于多RBF神经网络的板形数据建模

常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响, 为此设计了多RBF神经网络板形识别模型, 用多个子网络分别识别不同的特征参数, 能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明: 所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型, 并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。     

GA-CRBF网络板形识别的DSP实现

针对传统RBF网络板形模式识别方法存在抗干扰能力差、识别精度有限以及缺乏处理不确定性信息的能力等问题, 将云模型引入RBF神经网络, 提出一种新型板形识别模型。MATALB仿真结果表明: 新型GA-CRBF网络正确识别出板形缺陷, 识别精度比传统的RBF网络提升73%, 抗干扰性也提升了83%。将GA-CRBF网络写入DSP芯片中运行后, 正确识别出缺陷板形, 验证了其工程应用的可行性, 为神经网络推广应用到实际工程中提供了依据。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

基于RBF神经网络的爆破参数优选

为确定合理的爆破参数,建立了RBF神经网络模型,统计了8个矿山的样本数据,将影响矿岩可爆性的6项因素:矿石容重、弹性模量、抗拉强度、矿石坚固性系数、摩擦角、黏结力作为RBF神经网络模型的输入因子,排距、孔底距和一次炸药单耗作为影响爆破参数的输出因子,优选样本参数,得出最优的爆破参数。以某矿中深孔爆破为例,通过RBF神经网络模型优选出该矿的爆破参数：排距1.3 m,孔间距2.2 m,炸药单耗0.32 kg/t。实践证明,选择的孔网参数合理,爆破效果良好。     

尾矿坝监测数据分析的RBF神经网络方法

尾矿坝监测是保证尾矿坝安全运行的重要手段之一。建立了尾矿坝监测数据分析的RBF神经网络模型，并利用实际数据对此网络进行了训练和检验。最终将其检验结果与经过优化设计的BP神经网络的检验结果进行了比较，表明RBF神经网络的性能更为优越。