基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,本文提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型。该算法融合了RBF神经网络的故障检测和电流自适应保护。首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护。在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断。实验表明,该算法较大地提高了断路器智能化管理水平。     

基于小波神经网络的振动速度传感器幅频特性补偿研究

为了实现超低频振动速度测量, 提出补偿其幅频特性的小波神经网络方法.该方法以振动速度传感器动态实验数据为基础, 通过小波神经网络训练来确定传感器幅频特性补偿网络.介绍振动速度传感器幅频特性补偿原理, 分析网络的拓扑结构, 给出网络参数训练和初始化方法.采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子, 将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来.结果表明, 采用小波神经网络进行振动速度传感器幅频特性补偿具有良好的鲁棒性,并能实现在线补偿,网络训练的速度和精度优于同等规模的BP网络,在测试领域有重要的实用价值. 关键词： 振动速度传感器 小波神经网络 幅频特性 补偿     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

基于优化神经网络算法的光纤布拉格光栅电流传感器的温度补偿

应变和温度的改变能够使光纤布拉格光栅(FBG)反射波的中心波长产生漂移,FBG与超磁致伸缩材料的结合可以用于测量电流,但是温度和应变的交叉敏感严重影响测量电流的精度。神经网络具有强大的非线性映射能力,能够自适应地发现传感器的内部规律,从而对温度进行有效补偿。针对神经网络容易陷入局部极小值的问题,采用遗传算法优化神经网络的权值和阈值,以在全局范围内更快速、准确地找到权值和阈值的最优解。针对样本较少的问题,采取K折交叉验证的方法提高网络预测的可靠性。经实验验证,优化的神经网络对电流预测的均方误差为0.0038,提高了FBG电流传感器的测量精度。     

一种新型光纤压力传感器的设计

设计了一种工作波长为800 nm的光纤压力传感器,提出了一种用补偿光纤对温度和双折射进行补偿的方法,并从理论上进行了解释.在不同温度和压力条件下对该传感器进行了实验,相对误差小于1.5％.实验结果表明,该补偿方法是有效的.在0℃~50℃的温度下,对传感器在0～40 MPa的压力范围内进行了测试,其标准偏差在1%以内.     

基于RBF神经网络气压补偿的非色散红外SF6气体传感器

非色散红外SF₆气体传感器具有测量范围广、灵敏度高、抗干扰能力强等优点,在电力系统中具有广泛的应用。在实际检测过程中,环境气压的变化对气体传感器的检测精度有较大的影响,提出利用RBF神经网络建立气体传感器气压补偿模型,运用其泛化和非线性映射能力对环境气压波动引起的测量误差进行补偿。实验结果表明:采用气压补偿模型后的气体传感器在气体浓度3 260 mg/m3~9 781 mg/m3,气压100 kPa~120 kPa范围内,最大测量误差由±646 mg/m3降为±52 mg/m3,测量精度为±0.53%FS。该方法相比于拟合法和硬件电路补偿法具有更高的测量精度和稳定性,降低了传感器的体积和成本。     

基于RBF神经网络的电动负载模拟器摩擦与间隙补偿方法研究

为提高电动负载模拟器系统的动态性能和信号跟踪准确度,提出针对系统摩擦和间隙进行补偿的方法。采用基RBF波神经网络的PID 控制器实现摩擦非线性补偿,同时利用间隙逆模型针对间隙非线性进行补偿。利用Matlab 软件对补偿结果进行仿真验证,仿真结果显示经过补偿后系统正弦响应曲线跟随性能变好,跟踪误差明显减小,准确度得到很大改善。仿真结果证明：基于RBF神经网络的PID 控制器和间隙逆模型分别对摩擦和间隙有明显的抑制效果,系统动态性能得到提高。     

基于深度置信网络的燃气轮机气路故障诊断方法

针对燃气轮机气路部件性能衰退故障,引入在深度学习领域取得重大突破的深度置信网络DBN。然而目前DBN中初始参数的选择大多依赖经验,没有形成完备的参数选择机制。针对以上问题,本文提出一种基于遗传算法自适应调整参数的深度置信网络优化算法。以三轴式燃气轮机为对象,将DBN优化算法与其他神经网络方法比较,结果表明DBN优化算法故障诊断平均精度可达88.3%,明显优于BP、RBF、ELM和SVM方法。增设高压压气机出口温度或压力传感器可显著提高燃气轮机故障诊断精度,在DBN优化算法下,故障诊断平均精度提升至98.4%。     

基于TDLAS的CO检测系统调制参数优化与温度补偿

在可调谐激光吸收光谱(TDLAS)技术中,携带气体浓度信息的二次谐波信号易受激光扫描信号与调制信号的幅值、频率等参数影响。基于TDLAS技术搭建了CO浓度检测硬件系统,与对应仿真模型进行比较分析,研究了调制参数对二次谐波信号峰值、信噪比、对称性以及峰宽的影响,总结出具体变化规律。实验确定了系统最优调制参量,在硬件不变的情况下提高了检测精度。对CO在1567.7nm的吸收光谱进行了检测,发现测量浓度随着温度的升高而降低,最大相对误差已超过15%。为了减少温度变化对测量的影响,分别采用RBF及BP神经网络、PSO优化BP神经网络和WOA优化BP神经网络算法对系统进行补偿。结果表明,WOA优化BP神经网络方法的补偿效果最好,修正后浓度相对误差降至1%以下,有效提高了系统在变温环境下的准确性和稳定性。研究为系统的调制参数设置以及精准检测提供参考,为后续实验提供了有价值的指导。     

基于遗传小波神经网络的机器人腕力传感器动态建模研究

提出一种基于改进遗传算法进化小波神经网络用于机器人腕力传感器动态建模的新方法,介绍了该算法原理.该方法利用腕力传感器的动态标定数据,用改进的遗传算法来优化小波神经网络结构和参数,建立腕力传感器的动态模型.结果表明,采用遗传小波神经网络进行腕力传感器动态建模,能克服误差反向传播算法存在易陷入局部极小点的缺点,网络的复杂度、收敛性和泛化能力得到了好的综合,建模的速度和精度得到提高. 关键词： 腕力传感器 动态建模 小波神经网络 遗传算法     

尖楔前体飞行器FADS系统的径向基网络建模及验证

文章研究了针对一种用于尖楔外形的嵌入式大气数据传感（flush air data sensing，FADS）系统的解算模型及精度.首先基于飞行包络及CFD数据建立了FADS系统的测压孔选取标准；然后基于径向基函数（radial basis function，RBF）的人工神经网络建模技术构建了FADS系统的网络解算模型；最后给出了模型的测试误差，分析了气动延时效应、位置误差等误差源模型对算法精度的影响，并给出了网络模型的预测精度.结果表明，针对尖楔外形测压孔配置特征，基于RBF的人工神经网络算法解算精度较好，攻角、侧滑角、Mach数及静压的网络输出预测值与真实值吻合较好，输出的测试误差（绝对值）分别小于0.25°，0.5°，0.05及250 Pa.结果同时表明神经网络建模技术在尖楔前体飞行器FADS系统中的有效性.      

基于SOM和RBF网络的软测量方法研究

针对氢粉碎过程中钕铁硼粉碎状态不可知,为有效预测合金的反应状态,提出了一种基于自组织特征映射(SOM)神经网络和径向基函数(RBF)神经网络结合构建的网络模型。在该模型中,SOM神经网络作为聚类网络,采用无教师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,作为径向基函数的中心;RBF神经网络作为基础网络,采用高斯函数作为径向基函数实现从输入到隐含层的非线性映射,输出层则采用有教师学习算法训练网络的权值,从而实现输入层到输出层的线性映射。并以钕铁硼氢粉碎过程合金中氢含量为检测对象,运用上述方法在MATLAB平台上建立了合金中氢含量预测模型,并完成了仿真验证。     

基于XRF与RBF神经网络的锌浸出渣有价组分精准定量分析研究

锌冶炼浸出渣是湿法炼锌工艺产出的冶炼固废渣,占锌冶炼固废产出总量的75%以上,因含有Zn,Cu,Pb,Ag,Cd和As等多种有价金属元素,其资源化利用潜力巨大。然而由于其成分含量不稳定,检测精度不足等原因,导致关键元素的资源转化效率难以保证,因此对浸出渣关键资源组分的精准定量分析在锌冶炼行业绿色发展方面具有重大意义。该研究以Zn,Cu,Pb,Cd和As五种目标元素为分析对象,分别采用XRF工作曲线法和XRF结合RBF神经网络模型的方法对浸出渣目标元素定量分析,以相对误差、相对标准偏差作为两种方法的评价指标,对两种方法进行分析比较。首先采用标准添加法对工业现场采集的锌浸出渣配制浓度梯度样,并以此为标准化样品进行ICP-OES检测,随后将ICP-OES检测结果作为目标元素定量分析基准值,对浓度梯度样品进行X射线荧光光谱（XRF）检测,建立目标元素工作曲线,利用工作曲线对各目标元素进行定量分析。同时用XRF光谱数据构建输入矩阵、样品目标元素浓度构建输出矩阵,训练RBF神经网络来构建浸出渣中目标元素多元定标模型,并用此模型实现浸出渣样品目标元素预测。工作曲线法定量分析结果与ICP-OES基准值对比得到相对误差均值为8.5%,标准偏差均值为4.0%;RBF神经网络预测结果与ICP-OES基准值对比得到相对误差均值为0.18%,标准偏差均值为0.58%。结果表明,两种方法均能实现浸出渣样品目标元素的定量分析,但XRF结合RBF神经网络的方法能够对浸出渣样品进行精准定量分析和基体校正,分析结果准确性和精密度优于传统工作曲线分析方法。     

DVD光学头的RBF神经网络自适应PID控制器设计

为了使三维光存储技术的应用水平得到提高,以DVD伺服技术、双光子吸收技术为基础组建了一套信息存储系统。针对DVD光学读取头系统,采用RBF神经网络自适应PID控制器进行控制,充分利用RBF神经网络的自学习和全局非线性逼近能力,在线调整修正PID控制器的3个参数,使其达到一种最优控制,并通过MATLAB软件进行了计算机仿真。由仿真结果可以得出:通过应用RBF神经网络自适应PID控制算法,系统单位阶跃响应的调整时间为0.25 s,并使系统的超调量降低到几乎为零。     

Synchronization Scheme for Uncertain Chaotic Systems via RBF Neural Network

A sliding mode adaptive synchronization controller is presented with a neural network of radial basis function （RBF） for two chaotic systems. The uncertainty of the synchronization error system is approximated by the RBF neural network. The synchronization controller is given based on the output of the RBF neural network. The proposed controller can make the synchronization error convergent to zero in 5s and can overcome disruption of the uncertainty of the system and the exterior disturbance. Finally, an example is given to illustrate the effectiveness of the proposed synchronization control method.     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

基于视神经网络的混沌时间序列奇异信号实时检测算法

提出了一种基于视神经网络的实时检测混沌时间序列中的奇异点算法,设计了视神经网络奇异点检测器(RNNND);然后设计了基于反向传播(BP)神经网络和径向基函数(RBF)神经网络的混沌时间序列奇异点检测器.利用Lorenz理论模型产生的时间序列和实测输油管道压力时间序列分别检验了这3个奇异点检测器在抗干扰能力、检测微弱信号能力和运算速度等方面的性能.仿真和分析表明,RNNND具有良好的检测精度和较快检测速度.最后详细分析了3种奇异点检测器优缺点并给出了适用场合.     

积雪污染物含量高光谱遥感监测研究

积雪中的污染物含量可以用来反映区域和全球范围内人类活动对环境的污染,但是迄今为止,对大范围或人类活动难以到达的地区进行积雪污染物含量时空监测的研究尚不多见.文章通过模拟大气沉降实验,应用光谱学技术分析了不同污染物含量对积雪反射光谱的影响,而后分别利用构建特征指数法、主成分分析法、BP神经网络以及RBF神经网络模型对积雪污染物含量预测,表明神经网络模型结合高光谱遥感数据方法能够较为准确地估算积雪污染物含量.     

基于改进的径向基函数神经网络的铁磁谐振系统混沌控制

面向中性点直接接地电力系统发生的铁磁谐振过电压所显现的混沌特性，在径向基函数神经网络的基础上，提出引进一种极大熵学习算法对该混沌系统进行控制.该方法通过最优化一个目标函数导出中心向量的学习规则，充分利用网络隐层的聚类功能，极大改善网络的回归和学习能力.对具体的铁磁谐振系统的数值实验证实了该方法在针对铁磁谐振过电压混沌控制中的有效性和可行性. 关键词： 中性点直接接地系统 混沌控制 径向基函数 极大熵原理