基于稳健估计的正则化RBF网络拟合模型优化

GNSS高程和水准测量的正常高程转换是现代化测绘基准体系基准建设中的重点项目。RBF网络拟合模型中径向基函数中心值设置过程的随机性往往导致其拟合结果不太理想。文中在研究正则化RBF神经网络拟合模型的基础上,将选权迭代的稳健估计应用于网络隐层中心值的确定方法中,构建了一种中心优化的正则化RBF神经网络高程拟合模型。通过对某县区小范围内的工程数据进行拟合测试,结果表明经抗差优化的RBF拟合模型具有一定的优越性,其外符合精度可达厘米级,可以满足一般工程应用所需的精度。     

板料回弹控制的成形工艺面多目标优化

针对高强度板成形后回弹大的问题,以工件回弹前后对应节点的位移偏差和等效塑性应变裕度最小化为目标,以板料最大增厚率和最小减薄率为约束条件,建立基于车身侧外板回弹控制的工艺面多目标优化模型。采用实验设计（DOE）和径向基函数（RBF）神经网络方法建立优化代理模型,对均匀实验设计方案进行改进以提高优化精度,并与未改进的RBF神经网络和响应面（RSM）代理模型的优化结果进行对比分析。结果表明,建立的多目标优化模型是合理的,改进RBF神经网络代理模型的优化精度较高,在所抽取的满意解中,回弹和等效塑性应变裕度目标函数的相对误差分别为15.9%和2.2%。与实验设计中回弹量最大的样本方案相比,优化后车身侧外板回弹量减少5.149 2 mm。     

改进Kriging模型在翼型气动优化设计中的应用研究

文章将拉丁超立方抽样试验设计方法,Kriging模型与优化方法结合发展了一套基于改进Kriging模型的优化设计算法。首先对Kriging模型的拟合精度进行了研究,针对一维函数以及气动问题进行了测试,验证了文中发展的Kriging模型能够较好地对函数进行拟合以及能够运用到气动问题中。为了提高Kriging模型的拟合精度,文章对原有的Kriging模型优化设计算法进行了改进,在引入EI方法的同时将优化搜索算法得到的最优点加入到原有的样本集中,每次增加2个样本点,然后再重新生成Kriging模型进行优化设计。为了验证该方法的正确性和有效性,使用该算法进行了RAE2822翼型减阻优化设计,优化后的RAE2822翼型的阻力系数降低了33.6%,算例表明采用该方法能够逐步提高Kriging模型的拟合精度,最终实现高效的翼型气动性能优化设计。     

基于改进的Kriging法区域似大地水准面精化

利用常规的Kriging法进行GPS高程拟合时,由于模型误差和公共点误差的存在,其拟合内符合精度值并不为零。通过对已知点拟合残差进行改正得到一种改进的Kriging法来精化区域似大地水准面。通过实测数据对比改进的Kriging法与Kriging法的GPS高程拟合精度,结果表明：改进的Krig-ing法的拟合精度明显优于Kriging法,该方法能有效削弱模型误差和公共点误差引起的拟合残差。     

基于改进Kriging代理模型的土质边坡稳定可靠度分析方法

提高土质边坡稳定可靠度计算的精度和效率对工程设计具有重要的意义,为此提出了基于改进Kriging代理模型的土质边坡稳定可靠度分析方法。首先采用基于模拟退火的粒子群算法优化Kriging模型相关参数,并以一典型算例验证了该模型的良好函数拟合能力。接着将改进的Kriging模型作为边坡极限状态函数的代理,通过拉丁超立方抽样获得样本点,并由有限差分强度折减法计算样本点对应的响应值,利用基于熵理论的学习函数逐步更新代理模型,直至达到精度要求,进而基于该模型通过蒙特卡洛模拟评估边坡失效概率。最后,以一双层土质边坡问题为例,研究了所提方法的有效性。结果表明:所提方法不仅能够逐步提高计算精度,且极大地降低了计算量,为复杂边坡稳定可靠度问题提供了一种高效的评估方法。     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基（RBF）神经网络对灰色预测模型结果进行预测,以作为其最终的预测值．实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型．该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围．     

对RBF神经网络的改进及应用

为了提高传统RBF神经网络的收敛速度、网络精度以及更好地满足实际需求,提出一个线性—非线性并列的新型结构的RBF神经网络模型,并且将该模型应用到水轮机数字协联模型的建立。实例表明,利用该模型对协联关系进行拟合,提高了精度,取得了较好的效果。由于改进后的RBF神经网络具有良好的性能,在许多领域具有应用前景。     

对RBF神经网络的改进及应用

为了提高传统RBF神经网络的收敛速度、网络精度以及更好地满足实际需求，提出一个线性一非线性并列的新型结构的RBF神经网络模型，并且将该模型应用到水轮机数字协联模型的建立。实例表明，利用该模型对协联关系进行拟合．提高了精度，取得了较好的效果。由于改进后的RBF神经网络具有良好的性能，在许多领域具有应用前景。     

一种大型复杂建筑结构抗震可靠性分析方法

计算复杂结构的抗震可靠度需要进行大量仿真分析因而计算成本较高,使用代理模型拟合功能函数可以提高计算效率,但如何在提高工程结构可靠性分析效率的同时保证计算精度是一个值得研究的问题。提出一种基于Kriging模型的可靠性分析方法,其以较少次功能函数的计算建立Kriging代理模型,通过加点采样来提高功能函数代理模型的精度,结合Monte Carlo模拟得到失效概率的近似值。分析了2个数值算例,结果表明该方法是高效的和准确的。将其应用于巨-子型有控结构的抗震可靠度计算中,其中考虑了结构和地震作用的随机性,分析结果表明该方法是一种适用于复杂建筑结构可靠性分析的有效方法。     

小区域GPS高程拟合的Kriging方法研究

简要介绍Kriging的理论和方法,并应用该方法进行高程拟合,以实例验证选择不同的变异函数模型和基函数对标准Kriging和泛Kriging法拟合精度的影响。研究结果表明,如果选择合适的变异函数模型,泛Kriging法能明显提高拟合精度,且具有拟合残差振荡小、变化平缓等优点。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度，针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题，提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力，结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心，进而优化神经网络结构。通过路网真实交通流数据进行训练，选择常用于短时交通流预测的BP神经网络，RBF神经网络，广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

Kriging模型在齿面磨损预测中的应用

为快速准确地对齿面磨损进行预测,考虑双齿啮合区的载荷分配并用Kriging方法建立了新的磨损数值仿真模型.基于Winkler弹性模型和轮齿啮合原理得到磨损量计算所需要的压力分布及啮合速度,在确定压力分布时考虑了由磨损带来间隙的影响,并对所需的载荷进行了动态分配;基于Archard磨损模型推导齿轮的磨损量数值仿真模型,得到了不同磨损次数下轮廓各个啮合点处的磨损深度;用Kriging方法和人工神经网络方法构建磨损与齿轮参数的关系代理模型,研究不同初始样本量下代理模型的逼近程度和拟合优度.算例计算结果表明:磨损量随磨损次数增加逐渐累积,参与啮合的齿廓各个位置的磨损量均不相同,节点处最小,越靠近齿根越大,主动轮(小齿轮)大于从动轮(大齿轮);综合比较3个初始样本量训练得到的Kriging模型表明,最小样本量为100时逼近程度和拟合优度都满足要求,并可预测未来的磨损量.采用Kriging模型具有较高的计算效率和精度,克服了磨损数值仿真模型计算耗时长的不足.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

一种基于径向基函数的近似模型构造方法

发展了一种基于径向基函数的近似模型建立方法。首先采用试验设计方法对设计空间进行样本选择,采用数据分析方法对样本集进行聚类分类,得到径向基函数中的相关参数。对于近似模型权系数采用能够适应大规模并行计算并且能够在全局解空间的多个区域内寻优的遗传算法进行求解,而不是采用最小二乘法通过线性方程的求解获得。最后通过对一维非线性和多维高阶非线性函数的逼近测试,以及对近似模型的拟合函数与原函数之间的误差分析,表明本文提出的基于径向基函数的近似模型方法具有良好的拟合与预测精度。     

不同变异函数的泛Kriging法的GPS高程拟合结果

介绍泛Kriging法进行高程拟合的理论和方法,给出几种常用的变异函数理论模型,以实例验证基于4种较常用变异函数模型的泛Kriging法在乎坦地区GPS高程拟合的结果.研究结果表明,泛Kriging法能明显提高GPS拟合精度,4种较常用的变异函数模型虽然模型相差较大,但基于4种变异函数模型的泛Kriging法GPS拟合...     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

基于人工神经网络含稀土元素熔敷金属力学性能预测

为了提高焊条的力学性能并缩短焊条研发周期,在E4301型焊条药皮配方基础上加入了CeO_2和稀土元素La,并对焊条进行了力学性能试验.对试验数据进行分析后发现,加入适量的稀土元素可以改善焊条的力学性能.利用典型BP和RBF神经网络分别建立力学性能预测模型.将焊条中的CeO_2、La、Si、Mn含量与焊接速度作为预测模型的输入变量,将熔敷金属的抗拉强度、下屈服强度、断后伸长率与热影响区平均硬度作为输出变量.结果表明,将BP和RBF神经网络用于对含稀土焊条力学性能的预测是可行的,且RBF神经网络模型的预测精度和效率要高于BP神经网络模型.     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.