不确定混沌系统的径向基函数神经网络反馈补偿控制

对不确定混沌系统控制问题, 研究了一种基于径向基函数神经网络(radial basis function neural network, RBFNN)的反馈补偿控制方法. 该方法首先用RBFNN对混沌系统的动力学特性进行学习, 然后用训练好的RBFNN模型对混沌系统进行反馈补偿控制. 该方法的特点是不需要被控混沌系统的数学模型,可以快速跟踪任意给定的参考信号. 数值仿真试验表明了该控制方法不仅具有响应速度快、控制精度高, 而且具有较强的抑制混沌系统参数摄动能力和抗干扰能力.     

基于径向基函数神经网络的Lorenz混沌系统滑模控制

针对受参数不确定和外扰影响的混沌Lorenz系统，提出一种基于径向基函数（RBF）神经网 络的滑模控制方法.基于被控系统在不稳定平衡点处状态误差的可控规范形，设计滑模切换 面并将其作为神经网络的唯一输入.单入单出形式的RBF控制器隐层只需7个径向基函数，网 络的权值则依滑模趋近条件在线确定.仿真表明该控制器对系统参数突变和外部干扰具有鲁棒性，同时抑制了抖振. 关键词： 混沌控制 滑模 径向基函数神经网络 Lorenz系统     

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     

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     

受扰统一混沌系统基于RBF网络的主动滑模控制

针对受外扰影响的统一混沌系统,提出一种基于径向基函数(RBF)神经网络的主动滑模自适应控制方法.将被控系统分解为受控子系统和自由子系统,利用主动控制思想,建立受控子系统在目标点处的状态误差的可控标准型,设计出一个结构简单的基于滑模趋近率在线参数整定的RBF函数神经网络控制器,并且基于Lyapunov稳定性理论分析了系统的稳定性.仿真结果表明该控制器对系统参数突变和外部干扰具有鲁棒性,同时抑制了抖振. 关键词： 统一混沌系统 主动控制 滑模控制 RBF网络     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

基于高斯过程的混沌时间序列单步与多步预测

针对混沌时间序列单步和多步预测,提出基于复合协方差函数的高斯过程 (GP)模型方法.GP模型的确立由协方差函数决定,通过对训练数据集的学习,在证据最大化框架内,利用矩阵运算和优化算法自适应地确定协方差函数和均值函数中的超参数.GP模型与神经网络、模糊模型相比,其可调整参数很少.将不同复合协方差函数的GP模型应用在混沌时间序列单步及多步提前预测中,并与单一协方差函数的GP、支持向量机、最小二乘支持向量机、径向基函数神经网络等方法进行了比较.仿真结果表明,基于不同复合协方差函数的GP方法能精确地预测混沌时间序 关键词： 高斯过程 混沌时间序列 预测 模型比较     

H基于模糊观测器参数摄动的耦合时空混沌H跟踪控制

由于子系统的时空耦合作用及参数的摄动性，实现参数摄动的耦合时空混沌的跟踪控制非常困难。然而模型未知的耦合时空混沌的每个子系统可由一系列模糊逻辑模型逼近，每个模糊逻辑模型代表子系统在特定运行点的局部线性化模型，同时考虑子系统状态的不可测性，采用模糊观测器来估计子系统的状态。基于模糊模型及状态观测器，计及混沌参数的摄动性，提出一种模糊跟踪控制方案，实现了参数摄动的耦合时空混沌的鲁棒跟踪控制，并将模糊跟踪控制表征为线性矩阵不等式问题，用线性矩阵不等式的凸优化方法求解控制器参数，确保系统的全局渐近稳定性。仿真验证了方案的有效性。     

基于神经网络和滑模控制的不确定混沌系统同步

基于滑模控制技术和径向基函数神经网络,设计出一种神经滑模控制器,实现了两个不确定混沌系统的同步.控制器的设计不依赖于系统的数学模型,只与系统的输出状态有关,而且对参数不确定性和外界干扰具有较强的稳健性.最后,利用本方法设计出控制器实现了未知Lorenz系统的自同步、未知Lorenz系统与Chen系统之间的异结构同步,而且响应时间短,同步效果好. 关键词： 混沌同步 滑模控制 神经网络 不确定混沌系统     

不确定混沌系统的多项式函数模型补偿控制

针对不确定混沌系统控制问题, 研究了一种基于共轭梯度法(conjugate gradient algorithm, CGA)的多项式函数模型 (polynomial-basis-functions model, PBFM)的补偿控制方法. 该方法首先用PBFM对混沌系统的动力学特性进行拟合, 然后用拟合好的PBFM模型对不确定混沌系统进行前馈补偿控制. 该方法的特点是不需要被控混沌系统的数学模型, 可以快速跟踪任意给定的参考信号. 数值仿真试验表明了该方法不仅具有响应速度快、控制精度高, 而且具有较强的抑制混沌系统参数摄动能力和抗干扰能力. 关键词： 混沌控制 多项式函数模型 共轭梯度法     

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.     

Synchronization of different chaotic systems via active radial basis functions sliding mode controller

This paper presents a new method to synchronize different chaotic systems with disturbances via an active radial basis function （RBF） sliding controller. This method incorporates the advantages of active control, neural network and sliding mode control. The main part of the controller is given based on the output of the RBF neural networks and the weights of these single layer networks are tuned on-line based on the sliding mode reaching law. Only several radial basis functions are required for this controller which takes the sliding mode variable as the only input. The proposed controller can make the synchronization error converge to zero quickly and can overcome external disturbances. Analysis of the stability for the controller is carried out based on the Lyapunov stability theorem. Finally, five examples are given to illustrate the robustness and effectiveness of the proposed synchronization control strategy.     

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。     

Strain field estimation based on digital image correlation and radial basis function

Two methods based on digital image correlation (DIC) and radial basis function (RBF) were proposed to obtain the accurate strain field in this paper. One is a combined method. RBF was applied to remove the noisy discrete displacement data first. After that, the strain was computed by a local least-squares algorithm. The other is a partial derivative of RBF (PD-RBF) based strain estimation method which integrated denoising with differential process. The effectiveness and accuracy of the proposed methods were verified through two numerical simulation experiments. A practical application on the normal strain measurement of an aluminum alloy beam under symmetric four-point bending via an outer loading frame was also presented. The measurement results are in good accordance with the data obtained by strain gauges. Furthermore, a shape parameter selection method based on rate of convergence was suggested. The new method simplifies the choice of the good shape parameter.     

径向基函数及其耦合方法在电磁场数值计算中的应用

针对带电导体附近急剧变化的位函数和场函数这一难于处理的边界条件,将小波函数的紧支撑特性和全域径向基函数(RBF)的高精度逼近能力相结合,提出电磁场边值问题求解的耦合方法并应用于接地金属槽/箱的数值计算中;将径向基函数无网格方法引入波导本征值的计算中,给出其求解本征问题的思路,建立相应的离散方程,分析矩形、圆形和脊形波导的本征值并与有限元方法进行比较.数值仿真实验表明,径向基函数及其耦合方法在分析电磁场边值和本征值问题时是有效的且具有实现简单、节点少和精度高的优势.     

基于RBF网络的光纤荧光海水叶绿素a含量在线监测系统的研究

介绍了能够实现对海水中叶绿素a含量在线监测的光纤荧光系统。系统将荧光技术、光纤技术和基于RBF(Radial Basis Function Neural Network)神经网络的标定方法相结合，建立了用于海水叶绿素a含量在线监测的最佳RBF网络结构，系统具有结构简单，探头无源及高灵敏度等特点。     

CAD and mesh repair with Radial Basis Functions

In this paper we present a process that includes both model/mesh repair and mesh generation. The repair algorithm is based on an initial mesh that may be either an initial mesh of a dirty CAD model or STL triangulation with many errors such as gaps, overlaps and T-junctions. This initial mesh is then remeshed by computing a discrete parametrization with Radial Basis Functions (RBF’s).We showed in [1] that a discrete parametrization can be computed by solving Partial Differential Equations (PDE’s) on an initial correct mesh using finite elements. Paradoxically, the meshless character of the RBF’s makes it an attractive numerical method for solving the PDE’s for the parametrization in the case where the initial mesh contains errors or holes. In this work, we implement the Orthogonal Gradients method to be described in [2], as a RBF solution method for solving PDE’s on arbitrary surfaces.Different examples show that the presented method is able to deal with errors such as gaps, overlaps, T-junctions and that the resulting meshes are of high quality. Moreover, the presented algorithm can be used as a hole-filling algorithm to repair meshes with undesirable holes. The overall procedure is implemented in the open-source mesh generator Gmsh [3].     

基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计

鉴于径向基函数(RBF)神经网络模型在非线性预测方面的优良性能, 提出了利用该预测模型对混沌时间序列相空间重构的两个关键参数——延迟时间和嵌入维数进行联合估计的方法, 并以客观的评价指标为依据给出其最优估计值. 以Lorenz系统为例进行数值分析, 得到RBF单步及多步预测模型中嵌入维数和延迟时间的最佳参数估计值, 并在原模型中对估计值进行校验. 结果表明, 该方法可以有效地估计出嵌入维数和延迟时间, 从而显著提高预测精度.