一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数（RBF）神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明：基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。     

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。     

DNA免疫遗传算法及其应用

在研究T-S模糊RBF神经网络的基础上,提出了一种基于DNA生物机理和结构的免疫遗传算法,用于优化设计T-S模糊RBF神经网络的规则后件参数。该方法采用基于抗体浓度的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。应用于延迟焦化汽油干点的软测量建模,实例仿真结果表明DNA免疫遗传算法在T-S模糊神经网络系统的优化设计中是有效的,可获得较高精度的模型。     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

基于改进BP神经网络辨识的DMFC建模研究

针对直接甲醇燃料电池（DMFC）系统过于复杂,难以建模的特点,该文试图绕开DMFC的内部复杂性,基于实验数据。利用神经网络逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到DMFC这种高度非线性系统的建模。以1000组电池电压、电流密度实验数据作为训练样本,采用基于LM算法的改进BP神经网络,建立了不同温度下电池电压-电流密度动态响应模型。仿真结果表明这种方法是可行的,建立的模型精度较高,它使得设计DMFC的实时控制器成为可能。     

粒子群优化RBF神经网络的短时交通流量预测

根据交通流量数据具有非周期性、非线性和随机性等特点,为了更准确地对交通流量进行预测,实现交通智能控制和规划是主要问题.交通流量预测中存在容易陷入局部极小值、收敛速度慢,泛化能力差等问题,影响了交通流量预测的实用性和准确性.提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法.利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对短时交通流量进行仿真预测,仿真结果表明,PSO算法优化的RBF神经网络具有较高的预测精度,比RBF预测模型精度高、收敛快.PSO算法优化的RBF神经网络,适用于短时交通流量预测,预测精度较高,具有推广应用价值.     

基于自组织神经网络的非线性系统建模

针对基于T-S模糊模型的非线性系统建模问题,提出了一种基于自组织神经网络的新方法.在T-S模糊模型的建模中,目前常用的模糊C均值聚类算法存在迭代次数多,计算耗时的缺点.首先,利用竞争学习算法对输入空间进行聚类,基于此结果,借助于模糊C均值聚类算法进一步优化聚类结果,提取T-S模糊模型的规则前件隶属函数参数.然后,采用最小二乘法求得T-S模糊模型的规则后件参数,从而建立起非线性系统的T-S模糊模型.最后,仿真结果表明,该方法可以为模糊建模提供好的模型结构,并且有较高的计算效率和精度.     

基于改进PSO和FCM的模糊辨识

为了提高T-S模糊模型的辨识精度和效率,本文提出了一种改进的粒子群算法和模糊C均值聚类算法相结合的模糊辨识新方法。在该方法中,针对粒子群算法在处理高维复杂函数时容易陷入局部极值的问题,提出了一种粒子群局部搜索和全局搜索动态调整的全新优化算法。模糊C均值聚类算法是模糊辨识最常用的方法之一,该算法简单,计算效率高,但是对初始化特别敏感,容易陷入局部最优。为了解决这一问题,利用改进粒子群算法的全局搜索能力优化聚类中心,显著地提高了算法的辨识精度和效率。最后,针对非线性系统进行建模仿真,仿真结果表明了本文方法的有效性和优越性。     

基于扩展T-S模型的PSO神经网络在故障诊断中的应用

针对现实故障现象具有模糊性和非线性的特点,提出了一种利用自适应扩展T-S(Takagi-Sugeno)模糊模型的PSO(Particle Swarm Optimization)算法和神经网络相结合的新型智能结构化算法来进行故障诊断的新方法.首先通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数.然后使用该PSO算法作为神经网络的学习训练算法来进行训练.最后将此算法用于齿轮箱实测故障诊断.诊断结果显示均方误差提高了0.1981%.通过不同模型的诊断结果比较,表明本方法便捷、高效,为解决故障诊断问题提供了一条新途径.     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

基于EKF 的自组织T-S 模糊Elman 网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足, 提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S 模糊Elman 网络, 并推导了网络训练算法. 分别采用递归最小二乘法和EKF 对线性参数和非线性参数进行更新; 基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减. 最后通过系统辨识和污水处理建模实验, 表明了该算法在保证网络精度和泛化能力的同时, 可以有效地简化网络结构.

     

基于自适应神经网络的不确定非线性系统的模糊跟踪控制

提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T＿S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出.     

Hyperchaos synchronization using PSO-optimized RBF-based controllers to improve security of communication systems

This paper studies the Lorenz hyperchaos synchronization and its application to improve the security of communication systems. Two methods are proposed to synchronize the general forms of hyperchaotic systems, and their performance in secure communication application is verified. These methods use the radial basis function (RBF)-based neural controllers for this purpose. The first method uses a standard RBF neural controller. Particle swarm optimization (PSO) algorithm is used to derive and optimize the parameters of the RBF controller. In the second method, with the aim of increasing the robustness of the RBF controller, an error integral term is added to the equations of RBF neural network. For this method, the coefficients of the error integral component and the parameters of RBF neural network are also derived and optimized via PSO algorithm. For better comparison, the proposed methods and an optimal PID controller optimized by PSO are applied to the Lorenz hyperchaotic system for secure communication. Simulation results show the effectiveness and superiority of the proposed methods in both performance and robustness in comparison with the PID controller.     

基于模糊模型和神经网络的多时滞不确定非线性系统的鲁棒H∞控制

针对一类具有多时滞的不确定非线性系统,提出了一种基于模糊模型和神经网络的组 合控制方法.利用具有多时滞的模糊T-S模型对系统进行近似建模并给出基于线性矩阵不等式 (LMI)的模糊H∞控制律.提出完全自适应RBF神经网络控制方法,通过在线自适应调整RBF 神经网络的权重、函数中心和宽度,来对消系统的未知不确定性和模糊建模误差的影响,不要求 系统的不确定项和模糊建模误差满足任何匹配条件或约束,并证明了闭环系统的稳定性.最后, 将所提出的方法应用到一具有多时滞的非线性混沌系统,仿真结果表明了该方法的有效性.     

改进PID在反应釜温度控制系统中的应用研究

反应釜炉温控制是化工生产过程中主要的控制系统之一,其温度控制具有大滞后、时变、非线性等特点.针对常规PID控制效果不佳的缺点,提出一种改进的模糊RBF神经网络智能控制方法.将系统的输入误差及误差变化率进行模糊化,并利用RBF神经网络算法对PID控制参数进行在线学习、运算和整定.在RBF神经网络控制算法中,设定初始权值在一定范围内服从高斯分布和均匀分布,对权值不断优化,使得反应釜温度达到良好的控制效果.经Matlab仿真验证,结果表明和常规PID相比,该方法提高了系统的控制精度并具有较强的鲁棒性.     

Levenberg-Marquardt算法在T-S型模糊RBF神经网络训练中的应用

为了提高T—S型模糊RBF神经网络的训练效率,把Levenberg—Marquardt算法引入到T—S型模糊RBF神经网络的训练过程中,提高了网络训练的收敛速度,减小了训练过程陷入局部极小点的概率,然后基于这种算法推导出T—S型模糊RBF神经网络的快速训练算法,即混合学习算法。最后通过实验验证了这种算法的有效性和实用性。     

基于能耗优化的深海电动机械臂轨迹规划

由于深海电动机械臂动力学模型较为复杂,难以基于动力学模型构建精确的能耗优化目标函数,因此,本文提出一种利用径向基函数（RBF）神经网络构建机械臂功耗模型的方法．首先,利用机械臂水下运动实验数据集训练所构建的RBF神经网络．利用基于该神经网络的功耗模型,结合机械臂关节空间轨迹规划多项式,建立机械臂能耗目标函数．然后,采用自适应粒子群优化（PSO）算法求解最优轨迹参数．结果显示,RBF功耗网络均方根误差（RMSE）为20.89 W;经过优化的轨迹的能耗比实验轨迹的能耗均值降低410.8 J（18.3%）．实验结果表明基于自适应PSO算法的轨迹规划方法实现了能耗优化的目标．