无刷直流电机RBF神经网络滑模控制器设计

为提高无刷直流电机(BLDCM)的抗负载扰动性能和鲁棒性,针对滑模控制(SMC)算法在BLDCM控制系统中存在的非线性、外部干扰及内部参数扰动造成的抖振等问题,将RBF网络自适应算法与滑模变结构相结合,设计RBF神经网络自适应滑模位置控制算法,并优化趋近律和学习率.分别将传统PID控制、滑模控制和RBF自适应滑模控制应...     

基于RBF神经网络的智能入侵检测系统

对当前入侵检测技术进行了分析并讨论了现有入侵检测系统的不足，论述了神经网络应用于入侵检测中的优势。由于RBF网络具有最佳逼近性质，给出了一种基于RBF神经网络的智能人侵检测系统模型。     

基于黄金分割法的RBF神经网络预测控制

针对非线性系统的控制问题,提出了一种基于黄金分割法的RBF神经网络预测控制算法。该算法以神经网络作为预测模型,用黄金分割法优化控制器,其中以控制变量的约束条件作为优化的初始区间。针对化工过程蒸馏塔控制系统,通过仿真计算验证了该方法的有效性。     

基于模糊RBF神经网络的康复机器人控制

针对电力驱动康复机器人控制系统响应滞后、易抖动等问题,提出了基于模糊理论和RBF神经网络的控制策略。采用模糊PID算法确定初始参数,同时利用RBF神经网络的快速学习能力解决了传统的PID控制器无法实现参数自适应调整的问题。以某二两杆康复机器人上肢做位置跟踪仿真实验,结果表明,与传统的控制方法比较,该方法控制的系统响应快、超调量小,具有更好的跟踪性。     

基于RBF神经网络滤波的噪声消除

RBF神经网络噪声抵消系统不需要关于输入信号和噪声的先验知识,非线性映射能力强。采用自适应噪声抵消基本原理,构造RBF神经网络自适应滤波器,然后针对该系统,建立Simulink仿真模型。仿真结果表明,该方法具有良好的噪声抑制能力。     

基于RBF神经网络的高校教师教学质量评价模型

文章基于RBF神经网络方法,建立了高校教师教学质量的评价模型.首先构建了神经网络评价模型的结构,然后运用MATLAB,用样本数据训练了神经网络评价模型.表明该模型克服了传统评价过程的复杂性和主观因素,对全面、公正、科学地综合评价高校教师教学质量是行之有效的.     

基于RBF神经网络的电力系统短期负荷预测

电力负荷预测一直是电力系统的重要研究课题。在考虑天气状况因素的前提下,通过MATLAB软件实验平台,构建了一个RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差比较小,结果令人满意,证明了RBF神经网络在电力短期负荷预测领域的有效性和可行性。     

基于RBF神经网络的边坡稳定性分析

为解决云南变电站山地建设中边坡稳定性难以分析的问题,开展了山地变电站的边坡状态检测与稳定性分析研究。运用RBF神经网络算法建立了具有预测能力的分析模型,将边坡压力预测值与监测值相互结合对比分析,并对山地变电站边坡的结构稳定性作出判定。从数据分析可以看出,此传感网络系统的搭建较为成功,在电磁干扰强、地质环境恶劣的工作条件下运行状态良好,达到了监测目的。采用基于RBF神经网络的边坡结构稳定性分析方式,能较好解决边坡稳定性预测问题。     

基于RBF神经网络的提升机定位系统设计与应用

针对干熄焦提升机定位系统具有多变量及存在随机电磁干扰的特点,通过采用RBF神经网络学习算法,实时在线辨识,建立被控对象的精确数学模型并用于控制,实现了当定位系统受强电磁干扰时,系统仍然能够保障提升机正常运行.应用结果表明,该智能控制系统既保证了干熄焦提升机定位系统的稳定性,又提高了对工况电磁干扰的适应性.     

基于模糊控制的RBF神经网络电力系统短期负荷预测

文章提出了一种模糊控制与RBF神经网络相结合的电力系统短期负荷预测算法,用以解决传统RBF神经网络在电力系统短期负荷预测中存在误差的问题。通过实例验证,该方法与传统的RBF负荷预测方法相比,提高了预测精度,并且具有较好的应用前景。     

基于RBF神经网络的空间机械臂关节空间轨迹跟踪补偿控制

在PD策略的计算力矩法基础上,讨论了系统参数不确定的空间机械臂系统的控制问题.针对空间机械臂载体的位置不受控制,姿态受控制的情况下,对系统动量守恒关系进行了分析,得到了空间机械臂的系统动力学方程.采用PD策略的计算力矩法,考虑协调参数的不确定性,得到了系统的闭环动态误差方程.在此基础上提出了一种基于RBF神经网络的补偿学习控制方法,设计了具有不确定性的自由漂浮空间机械臂关节空间的补偿控制方案.将基于神经网络的补偿学习控制与计算力矩法相结合,利用进化学习来消除系统参数不确定性而造成的轨迹跟踪不准确的问题,实现了对空间机械臂关节空间内的轨迹跟踪控制.数值仿真的结果验证了该方法的有效性.     

Study of CNG/diesel dual fuel engine's emissions by means of RBF neural network

Great efforts have been made to resolve the serious environmental pollution and inevitable declining of energy resources. A review of Chinese fuel reserves and engine technology showed that compressed natural gas (CNG)/diesel dual fuel engine (DFE) was one of the best solutions for the above problems at present. In order to study and improve the emission performance of CNG/diesel DFE, an emission model for DFE based on radial basis function (RBF) neural network was developed which was a black-box input-output training data model not require priori knowledge. The RBF centers and the connected weights could be selected automatically according to the distribution of the training data in input-output space and the given approximating error. Studies showed that the predicted results accorded well with the experimental data over a large range of operating conditions from low load to high load. The developed emissions model based on the RBF neural network could be used to successfully predict and optimize the emissions performance of DFE. And the effect of the DFE main performance parameters, such as rotation speed, load, pilot quantity and injection timing, were also predicted by means of this model. In resume, an emission prediction model for CNG/diesel DFE based on RBF neural network was built for analyzing the effect of the main performance parameters on the CO, NOx emissions of DFE. The predicted results agreed quite well with the traditional emissions model, which indicated that the model had certain application value, although it still has some limitations, because of its high dependence on the quantity of the experimental sample data.     

基于模糊观测数据的RBF神经网络回归模型

提出了一种基于模糊观测数据的RBF神经网络（FORBFNN）,用于解决一类输出不可精确测量但可用模糊隶属度来表征的非线性系统建模问题．神经网络模型中各隐层神经单元的权重系数采用一种新的模糊EM算法辨识获得;隐层神经单元的数量及径向基函数的中心和宽度基于一种数据驱动的方法自适应确定,即首先初始生成一个隐层单元,然后根据一定的规则逐步加入新的单元,该过程不断迭代直到模型满足预设要求．该方法同时考虑了模型的复杂度及预测精度．数值模拟实验结果表明该建模方法是有效的,且建立的模型具有较高的预测精度．     

Distribution network planning algorithm based on Hopfield neural network

1 Introduction An urban power system is a very important part othe power system and requires a huge investment for itconstruction and operation. This investment can bsubstantially reduced by a system approach to urbapower system planning which is not an easy task due tits dependence upon urban geography conditions. Foexample, feeder lines must be laid along urban streeUp to now, several mathematical models analgorithms have been developed to plan urban powesystem. Peponis and Papadopoulos [1]…     

基于RBF神经网络的不确定机械臂自适应反演控制研究

针对机械臂位置跟踪问题,基于RBF神经网络控制理论,提出了一种自适应反演控制方法．该方法利用反演控制技术解决了系统的非线性问题,通过神经网络对系统中不确定函数进行逼近,实现神经网络自适应反演控制,最后通过Lyapunov稳定性理论证明所得闭环系统的最终一致有界．仿真结果证明该算法的有效性．     

基于神经网络的超精密定位控制

针对精密定位装置存在非线性,精确数学模型难于建立的缺陷,提出了精密定位的神经网络控制方法.将BP神经网络应用于该控制系统中,系统以光栅常数100μm的光栅为定位标记,以激光衍射产生的莫尔光光强及光强的变化率为神经网络的输入变量,利用神经网络的自学习功能进行精密定位控制.建立了精密定位的神经网络控制模型,模型由输入层、隐层和输出层3层神经元组成,通过对光强及光强变化率的映射,得到电机驱动信号.实验结果表明,使用神经网络控制,控制响应快,稳定性好,鲁棒性强,可有效改善控制质量,提高定位速度,系统可获得±0·5μm的定位精度.     

两自由度闭链机器人的神经网络自适应控制

A closed-chain robot has several advantages over an open-chain robot, such as high mechanical rigidity, high payload, high precision. Accurate trajectory control of a robot is essential in practical use. This paper presents an adaptive proportional integral differential (PID) control algorithm based on radial basis function (RBF) neural network for trajectory tracking of a two-degree-of-freedom (2-DOF) closed-chain robot. In this scheme, an RBF neural network is used to approximate the unknown nonlinear dynamics of the robot, at the same time, the PID parameters can be adjusted online and the high precision can be obtained. Simulation results show that the control algorithm accurately tracks a 2-DOF closed-chain robot trajectories. The results also indicate that the system robustness and tracking performance are superior to the classic PID method.