化工过程动态监控中的RBF神经网络方法研究

通过分析测量数据预测过程发展趋势,进而对过程实行监控,早已成为国内外学者所关心的热点课题。根据RBF神经网络训练速度快的特点,提出将其用于化工过程的动态监控。第一级网络用于预测未来一时间段内的有关状态量,第二级网络根据预测结果判断是否将会发生事故。为了在有限样本条件下取得较可靠的监控效果,提出了改进RBF神经网络插值性能的措施,并提出对第二级网络输出结果进行变换以准确确定事故可能性的方法。以上方法被用于蒸馏塔开工过程的动态监控,结果令人满意。     

神经网络法建立化工过程动态模型应用实例

化工动态过程中操作参数和生产结果之间往往具有极其复杂的非线性关系。本文讨论了神经网络拟全化工动态过程数据，在过程模式识别，动态过程预测，故障诊断等方面的应用。     

基于神经网络的车轮运行状态的动态监控

在介绍神经网络的基础上，提出基于RBF神经网络的轮轨间滑行情况的动态监控的方法，包括神经网络类型的选用，RBF神经网络的建模方法，神经网络非线性仿真的特性，数据修正的方法，预测的具体过程等。     

基于RBF神经网络的地下水位动态预测

在分析影响地下水位动态的诸多因素的基础上,在RBF网络的基础上建立地下水的水位动态预测模型.通过Matlab语言用计算机预测了地下水位动态,计算结果表明:与模糊识别法相比,RBF神经网络模型不仅计算精度很高,同时泛化能力也很强强等特点,能够正确反映地下水位动态变化,是一种值得推广的地下水位动态预测神经网络模型.     

基于RBF神经网络的公路货运量预测方法研究

本文提出了一种基于RBF神经网络的直接预测法,对公路货运量进行了预测,并利用matlab工具箱予以了实现.对2004和2005年公路货运量预测的结果表明,预测值与国家统计局公布的实际数值有很好的一致性,预测精度也高于其它RBF预测法,有很好的应用性.     

基于RBF神经网络的动态矩阵控制算法

利用RBF网络对DMC算法进行结构上的改进,并用RBF网络的逼近性能建立预测模型,提出一种基于RBF神经网络建模的动态矩阵控制算法,并用该算法对典型的时滞系统进行仿真试验,结果表明该算法具有较高的控制精度和响应速度.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

RBF神经网络在电力负荷预测中的应用研究

本文探讨了基于RBF神经网络对电力系统进行负荷预测的方法,并利用工程软件Matlab进行仿真,通过仿真看出此种预测算法获得了较好的效果。     

基于人工神经网络的铣刀破损功率监测

提出一种基于人工神经网络的铣刀破损功率监测方法，建立了一个铣刀破损功率监测系统，实验表明：该神经网络方法能够灵敏地检测出刀具破损，且具有在较宽的工作范围内识别铣刀破损的优点     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

基于RBF神经网络的热轧碳钢变形抗力预测

以凸轮式高速形变试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了碳钢的变形抗力与其化学成分、变形温度、变形程度及变形速度对应关系的RBF神经网络预测模型.通过对函数newrb()中宽度系数的调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.结果表明,与传统的BP网络模型相比较,RBF网络模型具有更高的精度和较强的泛化能力.     

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.     

RBF神经网络多用户检测ROLS-AWS算法的研究

为了对抗多址干扰和远近效应,研究将RBF(经向基函数,Radial Basis Function)神经网络中的递归正交最小二乘(ROLS-AWS)算法应用于多用户检测中。给出在同步高斯信道条件下运用三层神经网络解调扩频信号的原理框图,分析了基于RBF网络的多用户检测接收机。为了改进RBF网络的运算速度,在基于RBF网络的多用户检测接收机中采用ROLS-AWS算法。计算机仿真结果表明：使用所提算法的RBF网络接收机的抗多址干扰、远近效应以及训练速度的性能上都明显优于传统接收机、基于BP神经网络和不使用该算法的普通RBF神经网络多用户接收机。     

基于RBF神经网络的砂土液化预测

通过分析砂土液化成因及其影响因素,建立了砂土液化预测RBF网络模型,并与BP网络预测模型进行比较。测试结果表明,应用RBF网络模型对砂土液化进行预测,预测效果好,识别精度高．     

采用IncNet神经网络进行动态建模的仿真研究

由于IncNet神经网络的算法为串行学习算法,可利用实测的新数据不断对模型进行更新,因此,可以实现过程的动态建模.IncNet神经网络采用"统计新颖性"准则,有效地减少了用户预先定义的参数,而删除算法则可以使网络结构更加紧凑.以燃烧炉对象为例,采用IncNet神经网络进行过程动态建模,所建立的模型精度高,泛化能力强.在建模过程中,初始参数的设置对IncNet神经网络模型的结构和建模精度有着不同的影响,应当合理选择.     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

RBF神经网络在煤的热解特性研究中的应用

在MATLAB5．3环境下，利用神经网络工具箱中的RBF神经网络算法，通过煤的元素分析和工业分析对煤的热解特性进行了研究，对热解析温度T1，最大反应速度对应的温度T1max，热解前期热解量G1以及热解完成时间 t进行了预报，预测结果表明用RBF神经网络来研究煤的热解特性，可以达到较高精度，是一种很好的研究方法。     

基于 HABC-RBF 神经网络的蒸汽驱预测方法

为解决蒸汽驱开发效果预测精度低和时间长的问题, 提出了一种改进人工蜂群算法和 RBF(Radial Basis Function)神经网络相融合的预测方法。 该方法应用种群最优解修改雇佣蜂解和观察蜂解的搜索方程, 借鉴差 分进化算法思想, 完成对种群最优解和个体搜索解随机扰动, 采用混合编码优化 RBF 神经网络参数。 以辽河 油田齐 40 块为例进行了试算, 结果表明, 该方法对蒸汽驱开发效果预测具有较好的非线性拟合能力和较高的 预测精度。