基于代数算法的RBF神经网络解耦控制

提出一种基于代数算法的RBF(Radial Basis Function)神经网络自适应PID控制方法.该方法采用动态的径向基函数网络对非线性系统进行在线辨识被控对象,并将获得的灵敏度信息对PID控制参数自整定,实现了系统的解耦控制.仿真结果表明该设计方案具有控制精度高,实时性好,且具有很强的鲁棒性和自适应性.     

基于PSO的RBF神经网络在教学质量评价中的应用

文章提出了一种将粒子群优化(PSO)算法训练的RBF神经网络用于教师教学质量评价的方法。该方法使用由PSO训练的RBF神经网络来拟合影响教学质量评价的众多指标与评价结果之间的复杂关系。通过实验验证,该方法在教学质量评价中,克服了评价主体在评价过程中的主观因素,又得到满意的评价结果,具有广泛的适用性。     

基于RBF神经网络的烟叶烤房PID解耦控制

针对具有非线性、大滞后、时变耦合特点的烟叶烤房系统,提出将基于RBF神经网络的智能PID控制器应用于烟叶烤房,并给出控制系统的控制结构和原理。通过算法实现、与常规PID控制的性能比较以及模型参数不确定性等多方面的仿真研究表明：该方法可以实现PID控制参数的自整定,控制效果明显优于常规PID,控制精度高,响应速度快,跟踪性能、解耦性能良好,且对模型不确定性具有较强的鲁棒性,符合烟叶烤房控制系统的设计要求。     

基于AQPSO的RBF神经网络自组织学习

针对径向基函数(RBF)神经网络的结构设计及参数优化问题,提出一种自适应量子粒子群优化(AQPSO)算法.将RBF神经网络的网络规模及参数映射到粒子的空间位置,定义权值平均最优位置,从而对量子粒子群优化(QPSO)中$L_{i,j     

基于粒子群优化的RBF神经网络模型研究

在本文中,提出了采用粒子群算法来优化RBF神经网络,并建立了这种新的混合模型。在这个粒子群和RBF神经网络的混合模型中,粒子群优化算法应用于选择中心节点和隐藏节点的宽度以及输出向量方面,对RBF神经网络建立了5个输入节点,6个隐藏节点和一个输出节点。通过对粒子群优化的RBF神经网络模型对一些地区的结核病发病趋势进行预测,得出这种混合模型对结核病发展趋势进行预测能够取得较好的预测结果。     

基于PID神经网络的滑翔增程制导炮弹解耦控制系统设计

针对低速旋转的滑翔增程制导炮弹存在的俯仰和偏航通道控制耦合性问题,阐述利用基于PID神经网络进行双通道解耦控制设计。首先描述滑翔增程炮弹动力学模型,基于对该模型的分析基础上提出PID神经网络的结构和计算方法,并采用增加动量项的权值修正和自适应可变学习率对其进行改进。在此基础上,通过粒子群优化算法对网络的初始权值进行优化...     

基于isPSO的锅炉燃烧系统PIDNN解耦控制

针对传统的解耦方法对实际工业生产过程中的多变量、非线性、强耦合系统解耦效果不理想的问题,提出了改进的简化粒子群(isPSO)算法与PID神经网络(PIDNN)相结合的方法。PIDNN训练用于消除回路间的耦合,其连接权值由简化粒子群算法学习优化。该isPSO算法能克服PIDNN易陷入局部收敛的缺点,而且与基本PSO算法相比,搜索到最优值的概率更高。采用的小步长线性递减惯性权重和增加的极值扰动算子,则加速了对PIDNN权值的优化。通过对强耦合对象火电厂锅炉燃烧系统的仿真表明,该方法具有更好的控制品质:鲁棒性强、跟踪快、解耦效果好,为实际应用中强耦合系统的改进提供了理论依据。     

改进粒子群算法的PID神经网络解耦控制

综合减摇控制系统存在非线性、多变量、强耦合等因素,会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及PID神经网络的自适应特点,提出一种改进粒子群算法,以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题,并提高PID神经网络训练速度和训练精度,便于参数寻优。仿真结果表明,改进的粒子群算法具有一定优越性,将其运用到综合减摇控制系统解耦控制器设计中,能够有效地减小船舶横摇,达到较好的控制效果。     

基于NLAPSO．RBF的铁路货运量预测研究

铁路货运量需求预测在国家和区域经济发展规划、运输经营决策中具有重要作用。针对提高预测准确性与收敛速度问题,建立了基于RBF神经网络的预测模型。该模型具有最佳函数逼近性能和全局最优特性,适于预测计算,但有参数确定与优化的难题。提出一种基于非线性学习因子调节的粒子群优化（NLA-PSO）算法应用于RBF神经网络的参数优化,进而提高铁路货运量预测的精度与效率。通过1992--2011年铁路货运量预测的实例验证,将仿真结果与其他算法进行了比对,证明了方法的预测精度与收敛速度均优于其他算法,在铁路货运量预测计算上有效可行。     

基于RBF神经网络逆系统的机械手解耦控制策略

针对机械手系统具有非线性时变、多变量、强耦合的特点,提出一种基于RBF神经网络逆系统的机械手解耦控制策略。首先证明了系统的可逆性,进一步通过神经网络在线逆辨识建立机械手的神经网络逆系统模型,并将辨识得到的逆模型作为控制器模型与机械手系统串联,构成伪线性复合系统,实现了将具有强耦合特性的多变量输入/输出机械手系统解耦成单个独立的伪线性对象。最后以两关节机械手为仿真对象进行了仿真,仿真结果验证了本方案的有效性和可行性。     

一种改进的粒子群优化RBF网络学习算法

提出了一种新的用粒子群优化RBF网络学习的算法,即分组训练合成优化。该算法利用粒子之间的合作与竞争以实现对多维复杂空间的高维搜索能力,找出神经网络权值的最优解,以达到优化神经网络学习的目的。通过与用最小二乘法优化的神经网络进行了比较,结果表明算法所优化的神经网络收敛效果明显、收敛速度快。     

一种改进的粒子群优化RBF网络学习算法

提出了一种新的用粒子群优化RBF网络学习的算法，即分组训练合成优化。该算法利用粒子之间的合作与竞争以实现对多维复杂空间的高维搜索能力，找出神经网络权值的最优解，以达到优化神经网络学习的目的。通过与用最小二乘法优化的神经网络进行了比较，结果表明算法所优化的神经网络收敛效果明显、收敛速度快。     

采用中心聚类与PSO的RBF网络设计方法

基于中心聚类法与微粒群（PSO）优化方法,提出一种径向基函数（RBF）网络的设计算法。算法采用中心聚类方法对输入样本数据进行聚类处理,自适应地确定RBF网络隐含层的初始参数;利用修正全局最优解计算方法的经典PSO算法优化RBF网络隐含层参数,进一步修正网络结构参数;输出层权值采用带遗忘因子的递推最小二乘算法在线更新。采用该方法建立炼铁过程中烧结矿成分与转鼓强度关系的预测模型,并用现场数据加以验证;实验结果表明该方法收敛速度快,所建立的模型具有较高的预测精度,可用于复杂非线性系统建模。     

基于虚拟模型的自适应解耦抗扰控制

针对一类多变量非线性耦合系统,提出了一种基于虚拟模型的非线性自适应控制器.首先将非线性系统线性化处理并将其作为虚拟模型,对该模型设计线性自适应控制律.然后将线性控制律分别应用在虚拟系统和受控的实际非线性系统上,根据两者的输出误差设计补偿控制律,以达到对实际被控对象进行自适应解耦抗扰的目的.利用李雅普诺夫稳定理论给出了控制系统稳定性条件.实验仿真验证了控制算法的有效性.     

Development of decoupling scheme for high order MIMO process based on PSO technique

Multiple-input multiple-output (MIMO) with N Input/ N Output processes are characterized by significant interactions between their inputs and outputs. The control of MIMO processes is usually implemented using sets of single-input single-output (SISO) loop controllers, which requires proper input–output pairing and development of decoupling compensator unit. In this paper, a generalized decoupling technique is proposed. The proposed technique uses relative gain array (RGA) to select proper pairing and particle swarm optimization (PSO) technique to estimate the optimal elements’ values of steady state decoupling compensation matrix constituting the decoupling compensator unit. The proposed technique is applied on 4 Input/ 4 Output two coupled distillation columns process, it proves remarkable success in minimizing the interaction between every input and all outputs except that output has been proper paired with.     

改进PSO优化RBF的网络安全态势预测研究

针对网络安全态势预测,为了提高预测精度和预测算法的收敛速度,采用一种改进的粒子群算法(PSO)来优化径向基函数(RBF)神经网络.首先,PSO的惯性权重因子按一条开口向左的抛物线递减,在保证全局寻优的同时又增强了局部搜索能力;其次,通过权重因子的调节自动寻优,并将搜寻到的全局最优值解码成RBF的网络参数;最后,通过优化的RBF网络进行网络安全态势预测.仿真实验表明,改进后的算法能较准确地预测网络安全态势.与BP算法和RBF算法相比,本文算法在预测精度上有所提高,同时收敛速度加快,能达到更好的预测效果.     

基于动态RBF神经网络的板形板厚综合控制仿真研究

基于RBF神经网络的特点提出了一种动态调节隐含层隐节点个数的方法，由2部分组成：首先以网络输出数据的均方误差及其变化率为标准来调节隐含层节点的数目，然后调节优化隐含层节点的中心值，根据广义逆矩阵的方法求出输出层权值．所设计的神经网络具有最少的隐含层节点数，提高了学习训练速度，构造了板形板厚综合控制的数学模型，采用新的模型处理方法，用动态RBF神经网络进行控制仿真，取得了理想的结果．     

PSO-RBF神经网络在电机保护中的应用

针对电机保护只在被测参数达到或者超过设定动作阈值才动作,缺乏预测控制能力,设计了一种基于粒子群的径向神经网络。利用小波变换的时频分解能力、优异的奇异检测能力进行故障特征分量的提取;用粒子群算法和径向神经网络配合优化权重,从而使网络收敛快,训练时间短。通过电动机故障进行仿真实验,结果表明PSO-RBF神经网络实现了对故障的识别。     

多变量预测控制工程应用的控制模型前馈解耦策略

针对多变量预测控制计算量大、控制效果对扰动和模型失配敏感等特点,提出一种适用于预测控制工程应用的控制模型前馈解耦策略.基于结构分析,保留重要的被控变量与操作变量配对关系,将不重要的被控变量与操作变量配对作为前馈引入进行补偿,简化了系统结构,降低了系统耦合程度,减弱了预测控制器对扰动和模型失配的敏感程度,极端情况下形成的单入单出或小规模多入多出系统有效减小了在线计算量;基于分布式预测控制思想,给出控制模型前馈解耦策略的分散优化策略,进一步减小了系统规模和在线计算量.最后,通过仿真验证了所提策略的可行性与有效性.