基于RBF神经网络的气体流量软测量模型研究

流量信号是热工过程中非常重要的一个信号。由于流量信号存在着非线性、随机性和易受干扰的特点，很难建立起一个准确的测量模型，如传统的3种圆管紊流流速分布的近似模型，基于这些模型的传统测量方法很难测量出准确的流量值。该文提出的基于径向基函数（RBF）神经网络的流量测量模型，采用了带有遗忘因子的梯度下降算法来确定隐层基函数中心的位置和输出层权值的大小。计算结果表明这种模型计算量小、精度高，且算法简单实用。实验结果说明，基于这种模型的流量测量精度较以往模型有很大提高。     

基于PCA时间延迟神经网络的BOD在线预测软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题,提出了基于主元分析PCA时间延迟神经网络的污水水质BOD在线预测软测量方法.该方法由三部分组成:主元分析PCA、时间延迟神经网络、软测量模型的在线校正.其中离线模型采用GABP算法训练,仿真结果表明该方法可以实现污水水质的在线预测,具有实时性好,稳定性高,精度高,校正方便等特点.     

基于RBF神经网络的热工过程在线自适应建模算法研究

传统的各种神经网络建模方法由于自身的局限性不能很好地应用于复杂的热工过程建模。该文提出了一种新型的基于RBF网络的热工过程在线自适应建模算法：近似相关性网络(ACN）建模和阶层补偿式网络结构（HCN）建模。文中与资源分配网络（RAN)进行了详细的算例比较，并进一步计算了实际的热工非线性模型。计算结果表明：该文提出的建模算法不仅能提高模型的输出精度，而且也可有效地减小网络的规模，较好地解决了神经网络超界空间的自适应构造问题，为热工过程全局非线性模型的建立提供了一个新的解决方法。     

基于改进教与学优化的光伏阵列模型参数辨识研究

光伏发电系统中阵列模型及其参数辨识的准确性对光伏电站故障诊断、发电功率预测以及并网运行的稳定性评估具有重要意义。在单二极管模型基础上建立了光伏阵列数学模型,并提出一种基于Tent混沌映射的改进教与学优化算法对模型参数进行辨识,通过实测数据和参数辨识后的仿真结果进行对比,验证了该模型的准确性、求解快速性以及稳定性,为下阶段综合能源系统建模奠定模型基础。     

基于改进BP神经网络的烟气含氧量软测量方法

电站锅炉烟气含氧量的准确测量对锅炉燃烧效率的提高具有重要的意义.针对锅炉燃烧过程中存在的氧量信号测量滞后大和可靠性差,提出采用基于改进BP神经网络的烟气含氧量的软测量方法.实践验证:神经网络的预测值和实测值相吻合,烟气含氧量预测最大绝对误差为0.37,较好地实现了烟气含氧量的预测.     

基于RBF神经网络的电厂入炉煤元素分析

通过分析电厂锅炉燃煤的燃烧产物,利用产物与燃料之间的质量平衡以及对燃烧条件的监测,建立了基于径向基函数(RBF)神经网络的电厂入炉煤元素分析软测量模型。根据应用实例,实际仿真表明该模型计算速度快,具有一定的准确度,符合电厂在线监测煤质的要求,相对于传统煤元素分析和在线分析仪,优点显著。     

基于RBF神经网络的电网可靠性评估模型研究

为了改善电网可靠性评估的计算效率,提出了ＲＢＦ神经网络的学习算法和电网可靠性评估算法。计算结果表明：此算法能够快速有效地进行可靠性评估。     

基于IGSA-BP网络的瓦斯涌出量预测模型

为提高煤矿瓦斯涌出量预测的精度和效率,提出一种基于改进的万有引力算法(IGSA)的BP神经网络IGSA-BP瓦斯涌出量预测模型。由于BP神经网络的初始权值和阈值对网络的预测精度和收敛速度有较大影响,采用改进的万有引力算法训练BP神经网络的初始权值和阈值,引入粒子群算法记忆与社会信息交流的思想,对万有引力算法(GSA)的速度与位置更新公式进行改进,采用Tent混沌映射增加GSA种群的多样性,使算法避免陷入局部极值并增强GSA的遍历搜索能力。结果表明,改进的万有引力BP神经网络预测结果的误差在0. 20 m~3/min以内,与未经改进的万有引力BP神经网络和粒子群BP神经网络相比,预测精度分别提高了近5倍和10倍,说明该方法对煤矿瓦斯涌出量具有更好的预测精度和收敛速度。     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合GN(GaussNewton)-BFGS(BroydenFletcherGoldfarbShanno)法进行RBF(径向基函数)神经网络学习的算法。这种方法结合GN法与BFGS法的特点，既尽可能地利用了问题本身的特殊结构，又能取得超线性甚至二次渐近收敛率，因此有效地提高了学习效率。在学习过程中，利用该方法能够区分零残量和非零残量，并利用这种特点进行隐层神经元数目的自动调整，从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明，该方法同神经网络的其他算法相比，具有训练时间短、预测精度高的特点。     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合 GN( Gauss- Newton) - BFGS( Broyden- Fletcher- Goldfarb- Shanno)法进行RBF(径向基函数 )神经网络学习的算法。这种方法结合 GN法与 BFGS法的特点 ,既尽可能地利用了问题本身的特殊结构 ,又能取得超线性甚至二次渐近收敛率 ,因此有效地提高了学习效率。在学习过程中 ,利用该方法能够区分零残量和非零残量 ,并利用这种特点进行隐层神经元数目的自动调整 ,从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明 ,该方法同神经网络的其他算法相比 ,具有训练时间短、预测精度高的特点     

基于RBF的社会消费品总额的预测

利用非线性回归、BP、RBF神经网络自适应学习法模型,对社会消费品总额进行了预测和研究,结果表明用RBF网络自适应学习法所建立的模型经过训练后,可得到较精确的预测结果,并具有较强的应用性。     

基于RBF神经网络的室内定位算法研究

在无线传感器网络室内定位中,由于遮挡、多径效应等因素的影响,传统基于RSSI（Received Signal Strength Indicator）的定位算法存在测距不准、定位精度不高的问题。针对此问题,本文提出一种改进的基于RBF（Radial Basis Function）神经网络的室内定位算法,算法在离线阶段直接建立各参考节点接收到的RSSI值与其位置坐标的映射关系;在线阶段采集待定位节点的 RSSI值,利用学习好的神经网络对待定位节点进行定位。实验结果表明,与传统RSSI定位算法相比,本文提出的定位算法具备更高的定位精度。     

基于RBF神经网络的光伏动态重组系统

光伏系统的模块重组对于改善系统的P-V特性有非常重要的作用。提出了一种在部分阴影遮蔽情况下基于人工神经网络算法的光伏模块重组方案。这个方案中,光伏模块分为固定部分和自由部分,并通过开关矩阵来连接。然后测量的每个自由模块以及每行固定模块的短路电流值,测量值通过人工神经网络算法得到的结果决定开关矩阵的连接方式。仿真实验显示所提出的方案的参数测量实时简易、重组策略高效,能有效地改善部分阴影状态下的光伏阵列的功率输出。最重要是所提出的控制策略能应用于较大规模光伏系统结构重组。     

基于RBF网络的光纤位移传感器温度补偿研究

提出了一种解决光纤位移传感器温度影响的软件补偿方法.该方法基于RBF神经网络理论,将位移传感器和温度传感器的输出进行神经网络处理,基本消除了温度对光纤位移传感器的影响.为存在温度影响的光纤类传感器的实用化设计提供了一种可行途径.实验表明,神经网络处理后光纤位移传感器的温度敏感度系数下降了两个数量级,测量准确度和系统稳定性均得到提高.     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平...     

基于RBF神经网络的智能负载控制策略研究

本文在电力弹簧的数学模型和控制电路的基础上,提出了一种基于RBF神经网络的智能负载控制方法,利用RBF神经网络算法可以有效弥补传统PI控制器参数固定,无法更改的缺点。通过对控制器参数实时在线调整,可以有效地减少智能负载失稳情况,从而确保系统母线电压稳定。最后,在MATLAB/Simulink的仿真环境中进行仿真验证,结果表明：与传统PI控制下的智能负载相比,本文所提的控制方法具有更强的调节性能。     

基于RBF神经网络的测斜仪方位角校正研究

本文介绍了国内常用磁性电子测斜仪的结构和测斜原理,分析了其本身和工作过程中可能存在的误差及其来源。针对井眼姿态测量中的主要测量参数之一方位角,基于径向基函数(RBF)神经网络补偿算法,建立了以实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的三层RBF神经网络模型,并用实际测斜仪的测量数据进行现场测试。测试结果表明,采用该RBF神经网络补偿算法,建模时间短,可将方位角的实际测量精度从±2.1°提高至±1.9°以内,误差补偿效果好。     

基于RBF神经网络的电子罗盘误差补偿研究

介绍了三轴磁阻电子罗盘的测量原理。基于磁阻传感器HMC1052/1051Z和MEMS加速度计MXD2020ML研制了一款带倾斜补偿功能的三轴磁阻电子罗盘,分析了电子罗盘工作过程中可能存在的误差及其来源。针对无姿态角度的情况,基于径向基函数(RBF)神经网络补偿算法,建立了以测量航向角为输入、期望的航向角为输出的3层RBF神经网络模型,并用样机的采样数据进行仿真验证。实验数据表明,采用该RBF神经网络补偿算法,可将航向角的精度从±35.52°提高至±0.6°以内。     

基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制

永磁同步电机控制系统是多变量和非线性的。针对传统PI控制方法的不足,提出了一种基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制方法。该方法利用RBF神经网络极强的非线性映射能力,通过对神经网络的离线和在线训练,实现了电机速度的自适应控制。仿真结果表明该方法控制精度高,动、静态特性好。