基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制

针对USV运动航向控制问题,利用基于Lyapunov稳定性理论的滑模控制方法设计USV航向控制律.考虑到USV运动系统具有不确定性,利用具有万能逼近性能的模糊系统对USV运动模型中不确定项及外界干扰项进行模糊逼近.为了进一步提高模糊系统的逼近性能,采用具有学习能力快的RBF神经网络对模糊系统进行在线学习,优化模糊规则.仿真结果表明基于RBF网络优化的模糊控制该算法能够实现USV航向连续稳定跟踪.     

不确定条件下基于神经网络的船舶航向滑模鲁棒控制

设计了一种不确定条件下基于神经网络的船舶航向滑模鲁棒控制算法.该算法能够有效决解模型不确定及外界扰动情况下的船舶运动控制问题.从船舶的非线性响应型运动数学模型出发,采用RBF神经网络对船舶系统函数及外部扰动进行有效逼近,再利用Lyapunov稳定性理论和Backstepping方法设计船舶航向控制器.仿真结果表明该控制算法能够很好地跟踪设定信号,并具有很好的鲁棒性.     

考虑输入饱和的基于RBF神经网络补偿的USV滑模控制

设计了一种考虑输入饱和的USV积分逆推滑模神经网络控制算法.考虑到USV驱动舵机系统输入饱和问题,借鉴抗饱和控制技术设计一种基于内部辅助补偿机制,通过设计RBF网络对补偿机制进行在线逼近.再利用带有积分器的Backstepping方法设计实现USV航向精准控制.同时引入非线性阻尼定律来克服有界外界干扰.最后,采用反推法推导了系统控制律.仿真结果表明,控制器输出平滑,输出对参数摄动不敏感,控制算法有效.     

船舶航向非线性系统自适应神经网络控制

提出了一种基于最小参数RBF(径向基)神经网络的船舶航向滑模控制算法.针对船舶运动控制中系统函数非线性不确定性和外界干扰项未知问题,利用RBF神经网络进行逼近.考虑到RBF神经网络权值难以快速调整,采用神经网络最小参数学习法设计设计单个参数的估计代替神经网络权值的调整;最后,借助李雅普诺夫稳定性理论设计出船舶航向RBF神经网络直接跟踪控制律.通过与神经网络控制算法和普通自适应控制算法的仿真比较可知,上述控制算法加快了自适应律的求解速度,控制器结构简单,控制参数少,易于工程设计与实现.     

基于逆推算法的无人艇神经网络滑模控制

设计一种基于逆推算法的无人艇神经网络滑模控制器,实现了无人艇在大幅度改向操纵运动中航向准确稳定快速跟踪.借助滑模变结构控制技术,设计系统带有积分器的滑模面,引入径向基神经网络逼近系统非线性函数和不确定参数,同时结合非线性阻尼定律克服外界有界干扰,最后利用逆推算法设计出系统控制律.仿真实验结果表明,径向基神经网络能精确逼近船舶非线性函数和不确定参数,控制器输出平滑无抖震,航向输出对船舶参数摄动及外界干扰不敏感,具有较强的鲁棒性.     

基于遗传优化径向基神经网络的船舶航向控制

设计了一种基于遗传算法优化径向基神经网络的船舶智能自动舵.针对船舶航向控制过程中的非线性和不确定性,将RBF网络直接逼近船舶模型内部不确定项和外界扰动,借助李雅普诺夫理论推演控制系统渐进稳定.利用遗传算法对径向基神经网络进行优化提高逼近性能.对比仿真结果显示,同等条件下,上述控制器较一般自适应控制和模糊PID控制系统稳定时间普遍快40%,平均超调量缩小100%,控制输入舵角进一步平滑稳定,且船舶航向对船舶内外部干扰不敏感.     

Serret-Frenet框架下的神经滑模船舶路径跟踪控制

针对欠驱动船舶在恒定速度航行下的路径跟踪问题,提出了一种在Serret-Frenet框架下,基于输入输出线性化的神经滑模控制算法.该算法利用Serret-Frenet框架下船舶运动方程的推导形式,将其转换为类似于直线航迹控制的问题,采用神经网络对基于趋近律的滑模控制进行优化,解决了趋近律滑模控制对系统模型的依赖性,提高了控制器的鲁棒性,并设计了状态观测器对控制对象状态进行重构,以解决系统状态量测量误差对控制效果的影响.在无干扰和存在干扰及参数摄动的条件下分别进行了仿真,结果表明该控制律具有良好的跟踪性能.     

潜艇空间机动的多变量滑模模糊控制

由于潜艇运动具有严重非线性、强耦合和参数时变性,将模糊控制与滑模控制相结合,以潜艇空间运动为控制对象,设计出了潜艇空间机动多变量滑模模糊控制系统,并且利用模糊系统来逼近滑模控制的非线性切换函数,有效地抑制了滑模控制的抖振现象．仿真结果表明系统稳定,鲁棒性强,对潜艇航行时所受到的各种干扰有较强的抑制作用．尤其是采用了多变量空间运动控制,与传统的航向与深度的分开控制相比,提高了对潜艇运动控制的效率和品质．     

基于RBFNN的铁路混凝土桥梁构件状态评估

介绍了RBF神经网络模型的结构和训练算法,提出了既有铁路桥梁构件的综合状态评估模型,根据RBF神经网络的自适应性和学习能力,成功的将RBF神经网络应用于既有铁路桥梁构件综合状态评估中去,并给出了便于获取,且能全面准确反映桥梁实际工作状态的输入参数.以某铁路线的若干组实测数据对RBF神经网络进行训练和测试,系统输出与期望输出吻合较好,证明了RBF神经网络评估既有桥梁构件综合状态的准确性、有效性和稳定性.     

基于RBF神经网络模型的板料成形变压边力优化

为了解决变压边力优化过程中RBF(radial basis function )神经网络隐层节点训练难的问题,利用人工智能算法的优越性,建立了基于人工免疫算法的RBF神经网络,并将其用于非线性函数的逼近中.结合分块压边圈与改变压边力控制技术,通过Dynaform软件进行数值模拟获得成形数据,建立了变压边力与成形质量之间的RBF神经网络近似模型.利用人工免疫智能算法对该近似模型进行优化,获得最优压边力参数.将该方法应用于S形梁冲压成形中,与优化前的结果进行比较,采用优化后最优变压边力可以抑制起皱,最大起皱量减少了89.53%.      

基于引力搜索RBF神经网络的柴油机故障诊断

为了解决RBF神经网络的参数选择问题,以便提高柴油机故障诊断的精度,提出了一种基于引力搜索算法和RBF神经网络相结合的智能故障诊断方法.该方法首先采用减聚类算法确定网络隐层单元数,然后提出改进引力搜索算法优化RBF神经网络的参数.利用国际标准样本集对该方法进行分类测试,并将该方法应用于柴油机故障的诊断,仿真实验验证了该方法对柴油机故障的分类和诊断效果.     

基于SAS与IEEE1451的交通监控系统设计与实现

为了解决公路交通监控系统中大量使用的不同种类传感器和执行器的接口兼容问题,基于传感器代理服务器思想和IEEE1451智能传感器接口标准,设计了开放式的、即插即用的交通信息智能监控系统,并结合IEEE1451.2和IEEE1451.4接口标准,完成了系统智能前端,包括数据采集器、智能传感器模块、网络接口电路及TEDS方案的设计与实现,并开发了相应的应用程序,通过标准USB2.0端口实现PC与数据采集器信息的实时通信.试验结果表明,系统运行稳定,实时性良好.     

基于RBF神经网络的隶属度函数学习算法

模糊规则的提取和模糊隶属度函数的学习是模糊系统设计中重要而困难的问题.针对当前开发模糊控制系统的一个难点--发现最优的隶属函数和模糊规则,研究了利用RBF神经网络的学习能力,从历史数据中发现隶属度函数,在一定程度上减轻了系统开发工作量,克服了由于缺乏经验而可能造成的偏差.文中探讨了一种用于提取模糊规则的RBF神经网络结构,提出了基于此网路结构的模糊隶属度函数学习算法,最后给出了用于验证该算法有效性的仿真实例.     

基于RBF神经网络的隶属度函数学习算法

模糊规则的提取和模糊隶属度函数的学习是模糊系统设计中重要而困难的问题.针对当前开发模糊控制系统的一个难点——发现最优的隶属函数和模糊规则,研究了利用RBF神经网络的学习能力,从历史数据中发现隶属度函数,在一定程度上减轻了系统开发工作量,克服了由于缺乏经验而可能造成的偏差.文中探讨了一种用于提取模糊规则的RBF神经网络结构,提出了基于此网路结构的模糊隶属度函数学习算法,最后给出了用于验证该算法有效性的仿真实例.     

运输网络最大流的Petri网图仿真算法

现代化的综合交通体系和智能交通系统要求必须首先解决运输需求分析和运输网络分析的技术问题。Petri网理论可以被引进到运输网络理论中 ,用来解决最基本也是应用最广泛的最大流问题。首先介绍了 Petri网与有向网络的 Petri网模型 ;然后 ,给出有向网络最大流的求最短路法 ;在此基础上 ,采用 Petri网论法和计算机图形仿真法相结合的方法 ,求解运输网络最大流。即用Petri网图仿真器把无向运输网络转化为有向运输网络 ,然后求有向运输网络 G的对偶网络 DG,再用 Petri网图仿真器将对偶网络 DG转换成 Petri图模型 ,并自动求得 DG最短路 (原网络 G的最小割容量 ) ,即运输网络最大流。该方法比现有方法更方便 ,速度更快 ,而且形象、直观 ,是更实用的方法和手段     

基于RBF神经网络的城市互通立交短时交通量预测

根据实测数据,分析了城市互通立交交通流运行特性,研究了城市互通立交主线总交通量、交织流量比和第2车道大型车比例3种因素对合流区端部交通量的影响,应用神经网络原理建立了输入层为3个神经元,输出层为1个神经元的RBF神经网络,研究了该RBF神经网络的训练算法,应用实测数据进行了网络训练,对训练后的网络进行了仿真.仿真输出结果与实测数据之间的误差很小,证明应用RBF神经网络对互通立交合流区的短时交通量进行预测是一种可行的方法.此研究为分析互通立交内各功能区之间的相互影响,为研究互通立交桥的预先控制和运行状态分析提供了理论参考.     

基于Adaptive Lasso与RF的航班运行风险预测改进研究

为了解决航班运行风险高维数组运算过于复杂的问题,同时为防止模型过度拟合影响预测精度,基于中国民航局发布的风险评估体系,以某航450组真实航班数据为标准样本,首先使用自适应套索算法（Adaptive Lasso）进行降维,从63项风险自变量中筛选出15项独立变量;然后,使用随机森林算法(Random Forest,RF)进行防过拟合处理,结果显示当使用重要度排序前12项变量拟合时,结果误差达到最小值,即得到最终预测指标;最后,构建Adaptive Lasso和RF的二阶段混合模型,同时选取主成分分析(Principal Component Analysis,PCA)、径向基函数(Radial Basis Function,RBF)网络、支持向量机(Support Vector Machine,SVM)3种对比方法,使用十折交叉验证精度.结果表明：Adaptive Lasso方法在筛选掉48项指标后,结果精度未见下降;经RF处理后4种方法评估精度均大于未处理前;Adaptive Lasso-RF混合模型的预测准确率和稳定性均优于PCA、RBF神经网络和SVM等方法.综上说明混合模型实现了有效降维和防过拟合,可大幅提升预测精度,用于解决航班风险预测问题可行并有效.     

RBF神经网络预测水泥水化热研究

利用RBF神经网络对水泥水化热进行预测,根据水泥水化热的影响因素,建立了12个输入节点、1个输出节点的RBF神经网络模型.通过27组试验数据,验证了模型的可靠性,并与BP神经网络进行了比较.结果表明,RBF神经网络预测效果明显优于BP神经网络,前者不仅预测速度快,而且预测精度高,相对误差小于4%,在水泥水化热预测中具有...     

系统最优的动态交通网络流分配模型的研究

智能交通系统是一个复杂的大系统。交通网络配流是智能交通系统的一个关键问题,其中对交通网络配流模型的建立和算法的设计是非常重要的。通过建立系统最优的动态交通网络流分配的最优控制模型,并经过一系列的积分变换转化为一种简单而特殊的非线性规划问题。文中只是局限于对最优控制模型进行化简,目的是为了进一步研究已简化模型的有关性质和算法的设计。