Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

An adaptive neural network switching control approach of robotic manipulators for trajectory tracking

In this paper, an adaptive neural network (NN) switching control strategy is proposed for the trajectory tracking problem of robotic manipulators. The proposed system comprises an adaptive switching neural controller and the associated robust compensation control law. Based on the Lyapunov stability theorem and average dwell-time approach, it is shown that the proposed control scheme can guarantee tracking performance of the robotic manipulators system, in the sense that all variables of the closed-loop system are bounded and the effect due to the external disturbance and approximate error of radical basis function (RBF) NNs on the tracking error can be converged to zero in an infinite time. Finally, simulation results on a two-link robotic manipulator show the feasibility and validity of the proposed control scheme.     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

基于RBF多变量时间序列的滑坡位移预测研究

斜坡是一个受到多种因素影响的混沌动力系统,斜坡位移是其内部力学现象的宏观表现,具有很强的不确定性,从而导致难以建立斜坡位移的确定性方程。滑坡是斜坡的一种成因类型,具有相同的系统特性。滑坡经过防治后,其位移的主要外在动力因素除地下水外同时还受到防治设施的控制。滑坡位移及其影响因素所构成的混沌时间序列能够反映滑坡位移动力系统的历史行为。根据观测获得的多变量时间序列重构原滑坡位移动力系统,采用RBF神经网络实现变量间的映射关系,对滑坡位移进行了预测。预测结果对比分析表明:采用多变量时间序列预测模型能对滑坡位移进行有效预测,取得比单变量时间序列预测模型更好的预测效果;多变量时间序列预测模型具有更明确的物理力学意义,更能反映滑坡演化变形的实质特征。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

基于RBF神经网络的发酵过程菌体浓度的软测量

针对微生物发酵过程中菌体细胞浓度难以实时在线检测的问题,从生物细胞代谢角度分析了发酵过程中生物代谢参数的相关性,找出了能够表示生物变量大小的代谢参数,然后将这些参数作为输入变量,建立了菌体细胞浓度软测量的R B F神经网络模型,为复杂系统中生物量参数的检测提供了一条有效途径。仿真结果表明,该软测量方法具有较高的精度,能很好地应用于生物发酵过程。     

RBF神经网络在入侵检测系统中的应用

入侵检测系统（Intrusion Detection System，IDS）作为一种积极主动的安全防护技术，提供了对内部攻击，外部攻击和误操作的实时保护，在网络系统受到危害之前，拦截和响应入侵。RBF（Radial Basis Function，径向基函数）网络在逼近能力、分类能力和学习速度方面均优于BP网络，能够提高入侵检测性能。本文将主要说明RBF在入侵检测系统中的应用。     

基于RBF网络自整定PID控制的应用研究

经典PID的控制参数难以精确整定，且依赖于对象的数学模型，故自适应性较差，很难适应具有非线性、时变不确定性的被控对象，控制精度难以保证。该文对纯滞后工业对象提出了一种基于RBF神经网络PID参数自整定的控制方法，采用将RLS算法和梯度法相融合的新型学习算法，并将这种控制方法与PID控制器相结合应用于纯滞后工业对象中，克服了不确定性对控制对象性能的不利影响，解决了传统PID控制鲁棒性差，及需要预先知道受控对象精确数学模型的问题。仿真结果表明了该方法的鲁棒性和跟踪性能均优于传统PID控制方法。     

基于聚类分析的RBF网络建模方法及应用的研究

该文提出了基于聚类分析的RBF（Radial Basis Function）网络建模方法：利用聚类分析确定RBF神经网络的隐层参数，运用最小二乘法确定RBF神经网络的输出层参数。重点介绍了聚类分析的理论和算法。根据聚类分析和RBF网络结合后的优点以及中医证候大数据、大样本、多中心且无明确函数关系的特性，提出了用该方法建模应用于中医证候诊断，改进了BP（Back Propagation）网络用于中医证候诊断建模的不足之处，并拓宽了RBF神经网络的应用。最后，用2-型糖尿病文献数据库验证了该方法的有效性和合理性。