基于径向基函数网络的一步超前预测控制研究

提出一种基于径向基函数（RBF）神经网络的一步超前预测控制算法。该方法只用于一个网络，控制量的获取只求几步迭代，算法简单并有较好的实用性。通过对离散非线性系统的仿真证明了算法的有效性。     

变结构径向基函数网络及其在混沌序列在线预测中的应用

为了利用径向基函数(RBF)神经网络对混沌序列进行精确和快速的在线预测,提出一种在线构造变结构RBF神经网络的序贯学习算法。该算法建立实时更新的滑动数据窗口,通过学习窗口内的数据对隐节点进行增加和删除,动态确定RBF神经网络隐节点的数目及中心位置,并对隐层至输出层的连接权值进行在线调整。该算法具有调节参数少、学习速度快以及所得网络结构精简等特点。将该网络用于Mackey-Glass混沌时间序列的在线预测实验,结果验证该算法对该混沌序列具有良好的在线动态辨识和预测性能。     

基于广义径向基函数的神经网络分类预测

径向基函数网络是神经网络中一种广泛使用的设计方法.它把神经网络的设计看作是一个高维空间的曲线逼近问题.相对于其他的神经网络方法.径向基函数神经网络除了具有一般神经网络的优点,如多维非线性映射能力、泛化能力、并行信息处理能力等,还具有很强的聚类分析能力,学习算法简单方便等优点.针对一个实际分类问题,利用广义径向基函数网络的思想训练一个网络并实现对测试数据集的分类预测.本算法采用k-均值聚类算法训练广义径向基函数网络中心,使用奇异值分解计算输出层权值.对该网络的实现细节及待改进之处进行简要分析.实验表明广义径向基函数神经网络的思想具有很强的聚类分析能力,学习算法简单方便等优点.     

基于径向基函数模型的非线性预测控制策略研究

提出了一种基于径向基函数的非线性过程预测控制策略.首先,开发过程径基函数网络模型:根据过程特性,选择模型阶次、径基函数类型,用K均值法确定基函数中心位置,统计F检验确定基函数中心的数目,迭代最小二乘法确定径基函数网络权系数.然后,利用网络模型抽取非线性预测控制器(NLPC)特征样本训练构造径基函数网络预测控制器(RBFPC).仿真结果表明,与NLPC比较,由于RBFPC不必在线解非线性最优化问题,易于在线快速实施;与PI控制器比较,RBFPC具有更好的跟踪设定值性能和抗干扰性能.     

基于径向基函数蛋白质二级结构预测方法

文章针对蛋白质二级结构预测这一复杂非线性模式分类问题,提出了基于径向基函数的预测方法。在分析了基于神经网络预测方法的基础上,讨论了蛋白质二级结构预测算法研究中的数据选取、网络结构与参数对网络性能的影响,实验结果表明这一方法的可行性和有效性。     

基于径向基函数网络的永磁同步电机直接转矩控制

对永磁同步电机直接转矩控制系统特性进行了深入研究,提出一种新的径向基函数神经网络控制器,给出了神经网络控制器的结构设计、样本选取及训练方法.利用系统中的开关表作为导师对径向基函数神经网络控制器进行训练,实现了永磁同步电机直接转矩控制的径向基函数神经元网络输出矢量选择.该控制器可以简化获得输出电压矢量的过程,并具有并行计算速度快、转矩响应迅速的性能.仿真结果验证了该控制器的有效性.     

基于径向基神经网络的人民币汇率预测

准确预测汇率对经济发展的各方面都有着重要影响。首先说明了径向基神经网络运作的基本原理,探讨了径向基神经网络汇率预测的重要步骤。接着利用径向基神经网络的数值逼近与记忆功能,根据汇率历史观测数值,对人民币的汇率的行为进行预测。实验结果表明,将径向基神经网络用于人民币的预测是可行的和有效的。     

径向基函数网络预测混合气体浓度

基于气体传感器阵列的混合气体分析方法及研究现状,对径向基函数神经网络对混合气体浓度预测进行了研究.用气体传感器阵列对由四种不同气体组成的混合气体进行测量并以这些测量数据为样本对径向基函数网络进行训练,训练后可使径向基函数网络对各气体成分的浓度预测误差不大于6%.     

基于径向基函数神经网络的机器人滑模控制

尽管滑模控制响应快,对系统参数和外部扰动呈不变性,但在保证系统的渐进稳定性上却存在很强的抖动缺点.因此,在一般滑模控制的基础上,引入了径向基函数神经网络(RBFNN).利用滑模控制的特点设定目标函数,将切换函数作为RBFNN的输入,滑模控制量作为其输出.利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性.对两连杆机械手进行了仿真研究,其结果表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能消除滑模控制的抖动问题.     

归一化径向基函数网络的结构优化策略

针对归一化RBF网络的结构设计，首先利用基于山峰函数的减法聚类算法构造网络的初始结构和初始数值，并采用奇异值分解（SVD）算法分析了网络初始结构中隐含层节点与奇异值，累积贡献率以及索引向量的关系，提出了针对归一化RBF网络的结构精简优化策略。最后，对该结构优化策略的可行性和有效性进行了仿真验证和性能比较。     

新型广义径向基函数神经网络结构研究

提出了一种新型的广义径向基函数(RBF)神经网络,并研究了该网络的学习方法.不同于传统三层结构的RBF网络,广义RBF网络增加了基函数输出加权层,并在输出层采用超曲面去逼近任意的非线性曲面.实例仿真结果表明,与传统的RBF网络相比,该网络具有良好的逼近性能,收敛速度快,可逼近任意多变量非线性函数.     

基于径向基神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精确度,提出并构建精确的径向基神经网络、广义回归神经网络,并基于5位编码和Profile编码,采用不同大小的滑动窗口,利用交叉检证法构建多个径向基网络预测器,分别对蛋白质二级结构进行预测,得到了较好的实验结果,其中aveQ3提高到70.96%。结果表明,径向基神经网络模型能有效提高预测精确度,也证明了实验方法的有效性和可行性。     

A variable‐structure gradient RBF network with its application to predictive ship motion control

The prediction of dynamic behavior of the nonlinear time‐varying process plays an important role in predictive control applications. Although neural network algorithms have been intensively researched in modeling and controlling nonlinear systems in recent years, most of them mainly focused on the static dynamics. In this paper, a variable‐structure gradient radial basis function (RBF) network is implemented for nonlinear real‐time model predictive control, which is achieved by the proposed gradient orthogonal model selection (GOMS) algorithm. By learning the gradient message of real‐time updated data in a sling window, the structure and the connecting parameters of the network can be adaptively adjusted to adapt to the time‐varying dynamics. The proposed algorithm is evaluated with Mackey‐Glass chaotic time series prediction. Moreover, the variable structure network achieved by GOMS algorithm is applied as a multi‐step predictor in a ship course‐tracking control study, results demonstrate the applicability and effectiveness of the proposed GOMS algorithm and the variable‐RBF‐network based predictive control strategy. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

Sliding-mode and proportional-derivative-type motion control with radial basis function neural network based estimators for wheeled vehicles

An obstacle avoidance problem of rear-steered wheeled vehicles in consideration of the presence of uncertainties is addressed. Modelling errors and additional uncertainties are taken into consideration. Controller designs for driving and steering motors are designed. A proportional-derivative-type driving motor controller and a sliding-mode steering controller combined with radial basis function neural network (RBFNN) based estimators are proposed. The convergence properties of the RBFNN-based estimators are proven by the Stone–Weierstrass theorem. The stability of the proposed control law is proven using Lyapunov stability analysis. The obstacle avoidance strategy utilising the sliding surface adjustment to an existing navigation method is presented. It is concluded that the driving velocity and steering-angle performances of the proposed control system are satisfactory.     

机械臂的自适应径向基函数神经网络双二次泛函最优控制

针对非线性机械臂系统中难以权衡控制能量与控制误差比重的最优控制问题,本文提出一种基于自适应径向基函数(RBF)神经网络二阶段叠加优化的双二次泛函最优求解模型,实现在非线性机械臂控制系统中用不大的控制能量来保持较小的控制误差的综合最优控制.在本文所提模型中,首先设计一种线性误差函数,作用于非线性控制方程,并采用自适应RBF网络逼近非线性控制方程中存在的不确定项,构成闭环反馈系统,实现对非线性系统的最优控制;其次,将待求参数复合成双二次泛函的解域,并设计一种新型的类递归神经网络求解该带约束条件的双二次型模型,实现模型求解的快速收敛并得其解.通过理论分析及数值仿真实例验证了所提模型能有效提高非线性系统的控制精度、稳定性、鲁棒性及自适应性,从而实现非线性系统的综合最优控制.     

遗传优化的径向基函数船舶模糊控制器

研究径向基函数模糊神经网络在船舶控制器设计中的应用 ,设计了一个新型的径向基函数模糊神经网络控制器用以适应船舶在时变和不确定环境下的控制性能要求 .控制器设计的主导思想是在传统的径向基函数神经网络中增加一个模糊隐层 ,并采用遗传算法对控制器参数进行优化 .与传统方法相比 ,控制器模糊规则库的设计过程所需的先验知识更少 .最后采用Matlab 6 .1的Simulink工具以船舶运动模型为对象进行了船舶控制的仿真试验 ,结果证明了其有效性     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

基于RBF神经网络与Smith预估补偿的智能PID控制

针对工业控制中普遍存在的大滞后现象,提出了一种将RBF神经网络算法和Smith预估补偿算法与传统的PID控制器相结合的智能RBF-Smith-PID控制策略。该方法利用RBF神经网络的在线学习、控制参数自整定能力,和Smith预估补偿对纯滞后系统的良好控制,有效地克服了常规PID控制的缺陷,提高了系统的鲁棒性和自适应性,对纯滞后系统起到了良好的控制。