基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。     

基于RBF时间序列预测器的传感器故障诊断方法研究

研究了一种基于径向基函数(RBF)神经网络时间序列预测器诊断传感器故障的方法.以压力传感器的过载故障为模型,先用RBF神经网络建立时间序列预测模型,然后利用预测模型对传感器的输出作预测,再和传感器实际输出比较,从而判断传感器是否发生故障,并对发生故障的传感器进行数据重构.仿真实验证实了该方法可以有效地进行传感器故障诊断和数据重构,并可推广到其他传感器中.     

基于EEMD与RBF神经网络的网络流量预测

网络流量预测对于网络性能和服务质量的提高具有重要意义。提出一种基于整体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与径向基函数RBF(Radial Basis Function)神经网络的预测模型,利用EEMD将长相关流量转化为短相关流量并应用RBF神经网络模型对流量数据进行建模及预测,不仅降低了算法的复杂度,而且有利于网络流量的实时预测。仿真试验结果表明,相比于自回归分数综合滑动平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神经网络模型及EMD(Empirical Mode Decomposition)与自回归滑动平均模型ARMA(AutoRegressive Moving Average Model),该模型具有更高的预测精度和良好的自适应性。     

基于支持向量机的混沌时间序列预测分析

混沌的特性决定了混沌系统很难长期预测,支持向量机有强大的学习能力,根据相空间重构理论用支持向量机建立预测模型对混沌时间序列进行短期预测。预测输出构建混沌吸引子来定性评价预测模型性能,同时与BP神经网络RBF神经网络构建的预测模型比较,计算预测模型的均方根误差定量地评价模型的性能。仿真结果表明,该方法具有较高的预测精度和泛化能力。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数(RBF)神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLAB R2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

基于RBF神经网络的进气压力控制方法研究

针对高空台进气压力控制系统的强非线性特性和被控对象难以精确建模的问题,传统的PID控制在被试发动机进行加减速等过渡态时难以满足进气压力控制性能要求,提出了基于数据驱动的高空台压力控制方法,设计了基于RBF（Radial Basis Function,径向基函数）神经网络的最优控制架构,通过分析进气压力控制系统的输入和输出,给出了进气压力控制系统的RBF神经网络控制方法;利用高空台的大量试验数据对所设计的控制方法进行了训练和测试。测试结果表明,所设计的智能控制方法有良好的控制性能,能够满足进气压力的过渡态自适应控制。     

车用汽油机进气歧管空气流量智能测量模型

为了确保车用汽油机在运转工况下能获得最佳浓度的混合气要求,利用节气门元器件,基于压差式节流流量测量原理,通过对节气门旋转角度函数链神经网络拟合和节气门的流出系数拟合建立了车用汽油机进气歧管空气流量测量模型。实验验证结果表明:随着进气歧管压力升高,车用汽油机空气质量流量智能测量误差呈降低趋势,且其误差均小于5.0%。     

径向基网络在密相气力输送中的应用

在水平管道中,用压缩空气对玻璃珠进行密相气力输送压损实验研究。管道压降是密相气力输送系统的关键参数之一,它的大小基本决定了动力的大小。传统的方法完全靠经验公式和经验来决定动力大小,误差较大。本文提出了基于径向基网络的密相气力输送管道压降模型,对不同流态下管道压降进行了仿真。结果表明,RBF网络能对不同流态下的管道压降进行较好的仿真。RBF网络的收敛速度快,可实现密相气力输送参数的在线控制。     

Combustion timing control of HCCI engine based on NNPC and Elman-NN model under complex conditions

Homogeneous Charge Compression Ignition (HCCI) combines the characteristics of gasoline engine and diesel engine with high thermal efficiency and low emissions. However, since there is no direct initiator of combustion, it is difficult to control the combustion timing in HCCI engines under complex working conditions. In this paper, Neural Network Predictive Control (NNPC) for combustion timing of the HCCI engine is designed and implemented. First, the black box model based on Elman neural network is designed and developed to estimate the combustion timing. The fuel equivalence ratio, intake valve closing timing, intake manifold temperature, intake manifold gas pressure, and engine speed are chosen as the system inputs. Then, a NNPC controller is designed to control combustion timing by controlling the intake valve closing timing. Simulation results show that the Elman neural network black box model is capable of estimating the HCCI engine combustion timing. In addition, regardless of whether the HCCI engine is in constant or complex condition, the designed NNPC controller is capable of keeping the combustion timing within the ideal range. In particular, under New European Driving Cycle (NEDC) working conditions, the maximum overshoot of the controller is 28.95% and the average error is 1.03 crank angle degree. It is concluded that the controller has good adaptability and robustness.     

基于RBF神经网络的织物透气性能预测研究

建立了反映结构参数与织物透气性能之间关系的神经网络模型，采用了径向基函数神经网络（RBF）算法对织物透气性能进行预测研究。研究结果表明，此算法识别能力强，训练时间短，更能准确地预测织物的透气性能，具有一定的应用前景。     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于粗糙集的高速公路交通流神经网络模型

利用粗糙集能够处理模糊、不确定知识和神经网络对非线性函数具有任意逼近能力的优点,提出一种粗糙集和RBF网络集成的动态系统建模算法。并利用这种方法建立具有复杂动态特性和不确定性的高速公路宏观交通流动态模型,仿真结果表明了该方法的有效性。     

一种航空发动机导叶角度调节器控制方法研究

航空发动机静子导流叶片角度数字电子控制系统的性能和可靠性对发动机的正常工作十分重要;为获得发动机的最优性能,提高飞行可靠性,并保证压气机工作稳定性,文章提出了一种基于RBF (Radial Basis Function)神经网络的PID控制器,构建了3层神经网络数学模型;在AMESim软件平台上,建立了该航空发动机导叶控制系统的数学模型,在Matlab/Simulink中搭建了RBF神经网络控制器;仿真结果表明,在相同参数设置下,本文所设计的控制器与传统PID控制器相比能够实现导叶角度调节器作动筒位移的更加快速、精确控制,表明该控制器设计方法是可行、有效的.