基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用

针对由于输油管道泄漏在生产生活中造成的诸多损失与危害,以吉林油田的一段长输管道为研究对象,利用小波包变换提取管道泄漏压力信号的特征向量,将得到的特征向量作为神经网络的输入,根据输出对管道的运行状态进行识别,再应用负压波定位法对泄露点进行定位。在此基础上,提出了一种基于遗传算法优化的RBF神经网络输油管道检测的方法。该方法把遗传算法应用于神经网络的参数确定中。实验结果表明,优化的RBF神经网络模型的误差为1%左右,提高了泄漏检测的精度与效率。     

一种永磁直线同步电机混沌系统的反馈控制方法

针对永磁直线同步电机混沌系统参数不确定的控制问题,基于具有很强非线性映射能力的RBF神经网络,研究一种基于径向基神经网络(RBFNN)的反馈控制方法。该方法以永磁直线同步电机的定子交轴电流、直轴电流以及转速作为控制变量,首先采用RBFNN学习这3个变量所体现出来的混沌动力学特性,然后用训练好的径向基函数神经网络模型反馈控制混沌系统。数值模拟结果表明,提出的算法具有很强的鲁棒性,抗干扰能力强、响应速度快、控制精度高。     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

基于粒子群优化算法和RBF神经网络的水质评价方法研究

将粒子群优化算法和RBF神经网络相结合,建立了基于神经网络的水质评价模型,实现了对水质的合理评价。通过采用粒子群优化算法对RBF神经网络的参数进行优化,提高了神经网络的收敛速度和精度,进一步提高了水质评价方法的精确程度。通过与传统的神经网络水质评价方法的对比,验证了本文方法的可靠性和优越性。     

基于混沌时间序列及神经网络的大同电网负荷短期预测研究

精确的负荷预测对电力定价、实时负荷调整起着十分重要的作用.提出利用径向基函数神经网络模型,通过采用混沌时间序列的方法,对大同地区的全网用电负荷数据进行了短期预测验证.通过数据预处理产生混沌序列,进而通过相空间参数完成了相空间重构.最后通过RBF网络预测得到了相应的预测值,并与实际值进行了对比.结果表明:得到的预测结果与实际结果几乎重合,证明了该方法的高度预测能力与适应能力.     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。     

RBF级联型神经网络在挤出吹塑制品质量控制中的应用

通过对挤出吹塑工艺过程建立了成形工艺参数与制品质量关系的RBF(径向基函数)级联型神经网络,经训练,该网络可预测各成形工艺参数对制品质量的影响,从而可实现对制品质量的有效控制,并实验验证了其正确性和可行性。     

基于敏感度方差重要性的RBF 神经网络结构优化算法

针对RBF 神经网络的结构设计问题, 提出一种基于输出敏感度方差重要性的结构优化算法. 首先, 检验网络隐层节点的输出敏感度在样本集上的方差是否与零有显著差异, 以此作为依据增加或删除相应的隐层节点; 然后,对调整后的网络参数进行修正, 使网络具有更好的拟合精度和收敛性; 最后, 对所提出的优化算法进行仿真实验, 结果表明, 所提出的算法可根据研究对象自适应地调整RBF 的网络结构, 具有良好的逼近能力和泛化能力.

     

基于主元分析的径向基神经网络预测模型研究

结合主元分析(PCA)和径向基函数(RBF)神经网络,建立了地下水动态模拟与软测量预测模型。通过主元分析法提取主要成分,实现数据预处理;将选取的主要成分作为RBF神经网络的输入;采用k均值聚类算法确定RBF网络隐含层参数,并用递进最小二乘法确定输出层权值。仿真结果表明,该模型优化了网络结构,提高了预测精度。     

基于蚁群聚类的RBF NN海洋环境下武器效能评估

海洋环境复杂多变,武器装备作战效能影响要素众多并且机理复杂,效能评估问题难度加大。针对海洋环境影响下武器效能的评估问题,将蚁群聚类算法与RBF神经网络相结合,提出了基于蚁群聚类的RBF神经网络武器作战效能评估方法并建立评估模型。通过蚁群聚类算法确定RBF神经网络隐含层神经元的中心值,并且为了得到最优聚类结果,在蚁群聚类中加入了局部搜索。最后,利用样本数据对该模型进行训练,并对特定条件下武器作战效能进行评估,实验证明此评估模型具有一定的可行性和有效性。