基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数（Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射，直接控制功率开关的通断，实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权：最后，用数字处理器(DSP)实现在线控制算法。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。     

单神经元PID在单元机组协调控制系统中的应用

基于神经网络PID控制和协调系统强耦合的特点,应用一种针对多输人、多输出解耦系统的单神经元PID解耦控制算法和结构,并在算法中增加了自适应学习速率,更好地实现对单元机组的解耦控制。仿真结果表明,这种单神经元PID解耦控制算法实现的控制与常规的PID控制比较,不仅具有较好的动态性能和稳态性能,而且还具有很强的自学习功能和自适应解耦能力。     

基于参数辨识的无传感器PMLSM调速系统研究

为进一步提高状态观测器的观测精度,改善永磁直线电机调速系统的动静态性能,提出以RBF神经网络为辨识器,以单神经元PID为控制器,设计了一种智能观测器实现对电机速度的观测。在研究常规滑模观测器算法的基础上,把定子电压与电流作为观测器的输入项,以电机模型作为参考模型,以神经网络建立的观测器模型作为可调模型,通过电流实际值与估计值的比较,实现对反电势大小的观测,进而实现对电机速度的估计。仿真实验结果表明,基于参数辨识算法的智能状态观测器与传统滑模状态观测器(SMO)相比,速度响应曲线抖振较小,控制系统的动静态性能更优,稳定性更好。     

基于单神经元自适应PID控制的高压断路器永磁直线伺服电机操动机构的研究

高压断路器永磁直线伺服电机操动机构采用直线电机驱动断路器操作杆,带动机构运动,实现分合闸操作,具有良好的快速响应能力及控制性能.该伺服系统采用数字式双闭环控制,内环为电流环,采用PI控制,外环为速度环,采用单神经元自适应PID控制,通过建立直线伺服电机操动机构控制系统仿真模型,详细分析了单神经元自适应PID控制算法以及数学模型,并建立了以输出误差二次方为性能指标的单神经元自适应PID控制器模型.并分别用传统PID与单神经元PID控制算法,对高压断路器触头运动特性控制过程进行了仿真.结果表明,单神经元自适应PID控制器能够较好的实现触头速度的跟踪控制,使其按理想运动特性曲线运动,实现最优操作,该算法是一种较理想、有效的控制方法.     

基于RBF神经网络的电压外环滑模控制的Vienna整流器

以Vienna整流器为研究对象,针对其传统电压外环滑模变结构控制不变性和对系统参数扰动敏感的问题,分析了以逼近率为基础的滑模变结构控制算法,提出了一种基于RBF神经网络的自适应电压外环滑模控制算法。该控制算法通过将RBF神经网络与滑模控制算法有效结合,同时将中点电位平衡控制加入到RBF神经网络自适应电压外环滑模控制算法的设计中,使用RBF神经网络对电压外环非线性系统进行自适应逼近,能够有效降低切换增益,削弱抖振,增强系统的抗干扰能力。最后,通过仿真分析与实验测试验证所提控制算法的有效性。将所提出的控制算法与传统滑模控制算法、PI控制算法进行比较,结果表明采用这种电压外环控制算法能够对直流输出电压目标值进行快速跟踪,平衡中点电位,改善了系统的动静态性能,提升了其抗干扰能力。     

基于RBF神经网络的智能车速度控制系统研究

针对传统PID控制算法在电磁导航智能车速度偏差处理中存在比例、积分、微分参数一经确定,不能在线调整、不具有自适应能力的缺点,提出了将RBF神经元网络控制器及其算法应用到智能车的调速系统中,对传统PID参数整定进行改进。RBF神经网络能够辨识智能车电机的数学模型,可以根据控制效果在线训练和学习,调整网络连接权重值,最终自适应地整定PID三个参数来实现智能车的速度控制。MATLAB仿真测试表明,与传统PID控制算法相比,RBF神经网络PID整定算法在智能车速度控制中具有响应快,超调量小、鲁棒性和适应性强的优点,大大提高了智能车电机控制系统的性能。     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。     

开关磁阻电机直接转矩单神经元PID设计

介绍了单神经元PI复合控制的开关磁阻电机调速系统的新方法,利用具有自学习和自适应能力的单神经元来构成开关磁阻电机的单神经元自适应控制器.仿真结果表明,这种复合控制方法解决了常规控制方法因电机数学模型难以精确确定而无法确定控制参数的问题,克服了常规PI控制存在静差、无抗干扰能力的缺点,解决了系统上升时间与超调的矛盾.     

基于RBF神经网络的开关磁阻电机单神经元PID控制

论文提出了一种基于径向基函数（radial basis function）神经网络在线辨识的开关磁阻电机（SRM）单神经元PID自适应控制新方法。该方法针对开关磁阻电机的非线性，利用具有自学习和自适应能力的单神经元来构成开关磁阻电机的单神经元自适应控制器，不但结构简单，而且能适应环境变化，具有较强的鲁棒性。并构造了一个RBF网络对系统进行在线辨识。建立其在线参考模型．由单神经元控制器完成控制器参数的自学习，从而实现控制器参数的在线调整，能取得更好的控制效果。样机的实验结果表明，文中所提出的基于RBF神经网络辨识的开关磁阻电机单神经元自适应PID控制方法，通过在线辨识建立了过程模型并为神经元控制器提供了梯度信息，达到了在线辨识在线控制的目的，控制精度高，动态特性好。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于改进RBFNN的1000kV特高压线损预测

针对特高压输电线线损与特征参数间关系复杂的特点,提出一种联合聚类优化算法(Canopy-K-means)和自适应二次变异差分进化(adaptive second mutation differential evolution,ASMDE)算法改进的径向基神经网络(radial basis function neural...     

基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制

提出一种基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制新方法,该方法针对传统的PI调节器固定参数所造成的不足,利用具有自适应能力的单神经元PID调节器和RBF神经网络相结合,实现了参数在线辨识,转速在线控制.仿真结果表明该方法控制精度高,动态特性好,适合于永磁同步电机的速度控制.     

一类连续状态与动作空间下的加权Q学习

针对连续状态与动作空间下的控制问题,提出了一类连续状态与动作空间下的加权Q学习算法,应用改进的增长神经气算法动态构建径向基网络的隐合层,实现状态空间的自适应构建。在基于径向基网络实现的标准Q学习基础上,利用加权Q学习算法用以解决具有连续动作输出的控制问题。仿真实例验证了所提算法的有效性。     

Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network,an OLS algorithm and AGA

A method to accurately estimate the State-of-Charge (SOC) for LiFePO₄ (LFB) batteries is urgently required, to address the issues associated with the increased use of LFP batteries for portable devices. This paper proposes a hybrid method that combines a radial basis function (RBF) neural network, an orthogonal least-squares (OLS) algorithm and an adaptive genetic algorithm (AGA) to estimate the SOC in discharging condition. The OLS algorithm determines the optimal number of nodes in the hidden layer of the RBF neural network. With an optimal RBF neural network structure, the AGA is then used to tune the parameters of the RBF neural network, including the centers and widths of RBF and the connection weights. The trained RBF neural network is then used to estimate the SOC of a LFP battery. In order to demonstrate the effectiveness of the proposed estimation method, the method is tested using LFP batteries under several different discharging conditions. The effectiveness of the proposed method is compared with the Coulomb integration method and a back propagation (BP) neural network. The results show that the proposed method outperforms the other methods.     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法,仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。