基于RBF网络的混凝土抗压强度的预测

为了预测混凝土的抗压强度,在分析RBF神经网络原理的基础上提出了用RBF神经网络模拟抗压强度与各影响因素间关系的方法。根据搅拌机的实际工作状况,建立了4个输入节点、1个输出节点的RBF神经网络模型,通过19组试验,验证了模型的可靠性。结果表明,实测结果与预测结果相接近,RBF神经网络模型是一种较准确的快速预测混凝土抗压强度的方法。     

基于RBF人工神经网络的空间插值

根据RBF网络能以任意精度逼近任意函数这一特性,将RBF网络应用于空间插值,认定地表空间坐标的空间分布可以用一复杂的非线性函数模拟。该函数是由多种因素综合作用的结果,如果以各因素为输入、对应空间坐标值为期望输出,对网络进行训练可对地理要素的空间分布进行模拟。试验表明,神经网络应用于空间插值是可行的。     

Application of Nonlinear Predictive Control Based on RBF Network Predictive Model in MCFC Plant

This paper described a nonlinear model predictive controller for regulating a molten carbonate fuel cell (MCFC). A detailed mechanism model of output voltage of a MCFC was presented at first. However, this model was too complicated to be used in a control system. Consequently, an off line radial basis function (RBF) network was introduced to build a nonlinear predictive model. And then, the optimal control sequences were obtained by applying golden mean method. The models and controller have been realized in the MATLAB environment. Simulation results indicate the proposed algorithm exhibits satisfying control effect even when the current densities vary largely.     

基于神经网络的铁路路基工程地质灾害危险性预测评价

论述径向基函数神经网络(RBF)和广义回归神经网络(GR)结构,通过人工神经网络建立铁路路基工程地质灾害危险性评价模型。结合工程实际,对工程项目报告中的45组含有路基工程引发或加剧地质灾害危险性预测评价单元进行分析量化。RBF和GR模型预测评价后的输出结果与实际调查结果对比表明,RBF和GR模型对3种危险等级的预测评价单元有较好的预测结果,用于地质灾害评估工作具有较好的参考价值。     

����������ı�����· ��ͨ������Ԥ���о�

在总结交通流短期预M方法发展趋势的基础上，分别介绍了基于常规的BP神经网络和基于RBF神经网络的交通流量短期预测模型，并重点研究RBF网络模型的预测性能，确定了关健参数、的最优值.最后应用两种模型时北京环路实测交通流数据进行了预刚分析，实验结果表明，两种模型都可以满足实际交通流诱导的需要，BP模型在预则精度上稍优于RBF模型，但后者在学习速度和学习稳定性等方面明显优于前者.     

基于PCA和RBF神经网络的绞吸挖泥船实时产量预测

绞吸挖泥船在实际作业过程中的动态特性非常复杂,影响产量的控制因素众多。若这些控制因素全部参与产量预测比较耗时。为了实时训练网络及预测产量,先对影响绞吸挖泥船产量的控制因素进行主成分分析(PCA),再根据分析结果约减控制因素;在系统仿真建模中,分别以全部因素和约减后因素作为径向基(RBF)神经网络的输入变量,以产量作为输出变量来建立绞吸挖泥船产量预测模型。结果表明,减少输入变量,不仅降低产量预测模型的复杂程度,减少神经网络计算耗时,而且能保持模型良好的预测精度,从而为施工现场的操作人员提供实时的产量参考。     

基于RBF神经网络的水面船舶轨迹跟踪控制

针对速度矢量不可测、动态参数不确定以及具有未知扰动和磁滞特性的水面船舶系统,提出一种基于径向基函数神经网络的自适应反馈轨迹跟踪控制方案。根据船舶的状态矢量,利用高增益观测器估计水面船舶系统的不可测速度矢量,并通过一个函数描述间隙类磁滞对系统的影响。利用径向基函数神经网络的逼近能力和反步法设计控制器,基于李雅普诺夫稳定性理论,验证所设计控制器的稳定性,证明系统所有的闭环信号都是半全局一致有界的。通过仿真验证了控制器的有效性。     

基于扰动观测的客车ESC自适应神经网络滑模控制

为了提高客车电子稳定性控制系统（ESC）的控制精度,针对实际车辆系统建模中存在各种非线性扰动项以及传统滑模控制（Sliding Mode Control,SMC）中抖振较大的问题,提出一种自适应神经网络滑模控制算法。基于2自由度车辆模型,首先设计一个二阶滑模（Second-order Sliding Mode,SOSM）估计器对车辆的质心侧偏角进行估计,然后利用径向基（Radial Basis Function,RBF）神经网络对车辆系统建模中的各种非线性扰动项进行实时估计,并进行Lyapunov稳定性证明,RBF神经网络估计车辆系统建模的各种非线性扰动项可以有效减小滑模控制符号项的系数,从而减小滑模抖振水平。为了更进一步优化传统滑模控制的参数调节过程,减小滑模抖振并提高系统控制精度,再次利用RBF神经网络对传统滑模控制中的关键参数进行自适应调节。最后为了验证算法的有效性,搭建客车电控气压制动系统硬件在环试验台,在硬件在环试验台上对算法的有效性和精度进行试验验证。研究结果表明：客车ESC在自适应神经网络滑模算法的控制下,横摆角速度和质心侧偏角能够较好地跟随上理想的横摆角速度和理想质心侧偏角,横摆角速度和质心侧偏角的跟随误差降低;利用RBF神经网络估计客车建模中的各种非线性扰动项和利用RBF神经网络自适应调节传统滑模控制的关键参数,可以有效提高客车ESC的控制精度。     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。     

遗传算法优化的RBF神经网络模型在公路隧道群交通事故微观预测中的应用

本文根据构建的遗传算法优化的RBF神经网络模型,提出了公路隧道群交通事故微观预测方法,对以任意断面为中心的单元长度内的交通事故率进行合理预测,为公路隧道群事故多发点的鉴别及预防管理措施的制定提供理论支撑。最后,以西汉高速公路隧道群区段为例,以调研所得的交通事故微观预测模型参数基础资料,运用本文构建的预测模型进行工程实践应用分析,同时与传统的RBF神经网络预测结果进行对比,分析说明遗传算法优化的RBF神经网络预测模型的科学性及可行性效果良好。