基于MPCA-RBFNN的神经网络在中长期电力负荷预测中的应用

利用改进的主成分分析(MPCA)方法对径向基函数神经网络输入空间进行重构,在降低输入空间维数的同时克服了传统主成分分析法的缺点,缩小了网络的结构,达到了提高网络泛化能力的目的。通过某省实例验证了该方法的有效性。     

基于SOM-PCA-RBF的过程质量预测与整体调优

为实现过程输出质量的预防性改进,提出一种将SOM(self-organized map)神经网络、PCA(principal component analysis)法和RBF(radial basis function)神经网络集成的过程质量预测和多因素整体调优方法。采用SOM神经网络对过程数据进行分类;采用主成分分析法对分类后的过程输出进行评价,建立过程因素备选库;采用RBF神经网络建立过程预测模型,通过预测判断过程输出质量的符合性,给出过程多因素整体调优的方案。实例分析结果表明,该方法能够有效实现预防性质量改进。     

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足，采用压缩映射递阶遗传算法来确定网络参数（连接权、隐节点中心和宽度），改进算法的收敛性。基于频率响应，采用主元分析方法，有效减少了网络的输入节点。结果表明该方法是可行的。     

交叉熵神经网络及其在闽北大雨以上降水预报中的应用

基于误差平方和最小化准则的BP神经网络(ANN MSE)并不适合解决小概率天气事件的预报问题,引进一种改进的以交叉熵函数为目标函数的神经网络方法(ANN CE),该法是一个三层反向传播神经网络,其输出层只用一个节点.利用2003—2008年的ECMWF预报场资料,把该法用于福建省南平市4—6月部分大雨或以上降水96h预报中,分别用原始因子和PCA降维后的主因子建立了ANN CE预报模型和ANN MSE预报模型,用这些模型对2009—2010年独立样本进行了试报.测试结果显示主因子预报模型TS评分比原始因子预报模型高且漏报次数少,其中,主因子ANN CE预报模型的TS评分和漏报率分别是051和017,其性能是所有模型中最好且最为稳定的,是一种适合于小概率事件预报的方法     

改善径向基函数网络泛化性能的主成分分析法及应用研究

采用主成分分析法 (PCA)来改善径向基函数网络的泛化性能 ,理论上可以根据PCA方法中的主成分累积贡献率 ηK 决定RBF网络的输入层节点数 .实例研究证明 ,采用PCA方法后的RBF网络泛化性能良好     

晶体振荡器老化预测的径向基函数神经网络法

建立了预测石英晶体振荡器老化的一种径向基函数神经网络模型,这种人工神经网络由输入层和输出层组成,输入层由计算径向距离范数的非线性神经元组成,输出层由一个计算径向基函数的神经元组成.提出了确定规格化径向距离尺度因子的一种方法,并在此基础上导出了一种径向基函数神经网络的学习算法,这种算法具有计算形式简单和易于实现的优点,适合于用加速老化法和外推法进行石英晶体振荡器老化预测的实验数据处理.     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题 .文中提出了一种主元分析和神经网络相结合的方法进行人脸识别 .我们先对图像进行归一化处理 ,采用主元分析法对图像的主特征分量进行提取 ,然后以一个径向基函数神经网络作为分类器 ,进行人脸识别 .实验结果表明 ,这种方法在采用多样本训练后 ,具有较高的识别率 .     

污水处理出水BOD区间预测建模

生化需氧量(BOD)是评价水质的重要指标,也是污水处理过程中直接控制的参数.为了提高污水处理质量,需要寻找BOD的有效测量方法.本文给出一种新的BOD软测量方法,可以实现其保证估计.采用主元分析方法选取BOD预测的主要辅助变量.利用径向基函数神经网络的逼近能力,将其用于污水处理出水BOD软测量建模.径向基函数神经网络的中心被确定之后,考虑到建模误差有界,使用参数线性集员辨识算法得到网络输出权值的集合描述.在污水处理系统运行过程中,所建立好的软测量模型可以预测出水BOD的上下界.此外,建立多个软测量模型,并将多模型测量结果进行融合以降低单一模型所给结果的保守性.实验结果表明本文方法的有效性.     

基于径向基神经网络的光栅细分方法

为了研究细分精度高、位移跟踪速度快的光栅位移测量系统,提出一种基于径向基神经网络的光栅细分方法.利用三层RBF神经网络,在一个莫尔条纹信号周期内取多个样本点,并把多个样本点所对应的正切值作为网络的输入,将该样本点在一个栅距内的微位移量作为目标输出,建立合理的神经网络模型,与DSP相结合实现莫尔条纹细分.通过对样本点的分段学习,证明了仅用少量的神经元即可实现高精度细分.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.     

基于GA-GRNN数据挖掘的SCR脱硝系统建模优化研究

火电厂选择性催化还原法(SCR)烟气脱硝系统是处理燃煤机组烟气排放NOx污染的主要途径,但该系统具有多输入变量、环境影响复杂、时变非线性等特征,因此建立准确的系统模型是SCR优化控制的基础。提出了一种融合遗传算法(GA)主元分析和广义回归神经网络(GRNN)数据挖掘的SCR系统建模方法。首先使用GA对运行数据进行变量选择优化计算;然后将最优变量作为GRNN的输入量,利用数据挖掘技术建立SCR系统数据模型。基于某电厂机组运行数据的实例分析表明,该方法建立的模型具有复杂度低、精度高、泛化能力强等优点。     

基于PCA -GA -RBF 网络的聚丙烯熔融指数预报模型

熔融指数是工业聚丙烯生产中决定聚丙烯牌号最重要的指标。但因缺乏在线分析仪, 指标获得时间 间隔长、滞后大, 使聚丙烯质量控制困难。提出了一种基于PCA-GA-RBF 的神经网络模型, 基于真实数据对聚丙 烯生产过程的熔融指数进行预报。其中, 主元分析法(PCA)用来提取过程特征参数, 剔除相关冗余信息;径向基 (RBF)神经网络用来逼近非线性过程;遗传算法(GA)用来优化RBF 网络的权值和网络层元数等结构参数。研究 结果表明了所提出的熔融指数预报模型的可靠性和准确性。     

基于GRNN的车内噪声品质预测

以8辆不同类型轿车的4种不同车速匀速行驶时采集到的32个车内噪声样本为研究对象,以响度、尖锐度、粗糙度和抖动度4项心理声学客观参量作为输入,以主观评价团对车内噪声的舒适度打分作为输出,分别使用广义回归神经网络、BP神经网络和多元线性回归分析建立车内噪声品质预测模型并对声品质进行预测。三种方法的预测结果表明:广义回归神经网络相对于其他两种方法具有更高的准确度,相对预测误差为-7%～7%,较多元线性回归分析能更准确地描述客观评价参量与主观舒适度之间的非线性关系,并且较BP神经网络具有更高的准确度及稳定性。     

基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

催化传感器对可燃混合气体的分析

催化传感器对不同可燃气体或在不同的工作温度下有不同的输出灵敏度，根据这一特点控制催化传感元件的工作温度，检测可燃混合气体在不同工作温度下的输出信号，由催化传感元件的静态热平衡关系，得出信号与混合气体中各种可燃气体浓度相关的方程组，由于输出信号与气体浓度的关系是非线性的，故采用人工神经网络进行训练，建立了分析多种可燃气体的数学模型，通过对甲烷，丁烷和乙炔3种气体混合的5组样品进行实验，分析结果的绝对误差均小于0．5％，证明所研究的方法可以较好地实现单一催化传感器对多种可燃混合气体的分析．     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

一种无模型的柔性关节机械臂非线性 状态观测器设计

在复杂非线性摩擦阻尼参数以及模型参数不确定的情况下,针对柔性关节机器人的状态观测问题,提出一种基于神经网络的无模型非线性观测器。采用径向基神经网络(RBF)对系统模型进行在线逼近,通过Lyapunov稳定性分析推导,获得神经网络权值自适应律;通过引入鲁棒项来抑制神经网络逼近误差,加快观测误差的收敛速度;通过不同激励下的仿真分析,验证了提出方法的有效性。