RBF网络

案例7：RBF网络的回归-非线性函数回归的实现

1、Contents

清空环境变量

? 产生输入 输出数据 ? 网络建立和训练 ? 网络的效果验证

?

2、主程序：

清空环境变量

clc clear

产生输入 输出数据

设置步长

interval=0.01;

% 产生x1 x2

x1=-1.5:interval:1.5; x2=-1.5:interval:1.5;

% 按照函数先求得相应的函数值，作为网络的输出。

F =20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

网络建立和训练

网络建立 输入为[x1;x2],输出为F。Spread使用默认。 net=newrbe([x1;x2],F)

Warning: Rank deficient, rank = 19, tol = 1.1634e-012. net =

Neural Network object: architecture: numInputs: 1 numLayers: 2

biasConnect: [1; 1] inputConnect: [1

%% 案例7：RBF网络的回归-非线性函数回归的实现 % %

%

%% 清空环境变量 clc clear

%% 产生输入 输出数据 % 设置步长 interval=0.01;

% 产生x1 x2

x1=-1.5:interval:1.5; x2=-1.5:interval:1.5;

% 按照函数先求得相应的函数值，作为网络的输出。 F =20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

%% 网络建立和训练

% 网络建立 输入为[x1;x2],输出为F。Spread使用默认。 net=newrbe([x1;x2],F)

%% 网络的效果验证

% 我们将原数据回带，测试网络效果： ty=sim(net,[x1;x2]);

% 我们使用图像来看网络对非线性函数的拟合效果 figure

plot3(x1,x2,F,'rd'); hold on;

plot3(x1,x2,ty,'b-.'); view(113,36)

title('可视化的方法观察准确RBF神经网络的拟合效果') xlabel('x1') ylabel('x2') zlabel('F') grid on

%%

基于RBF神经网络模型的风电机组短期风速预测研究

摘 要：在电力市场中，风电所占电网的比例越来越大。但由于风的波动及其不可控性，风电场的发电量也在随机变化，风速是影响产能最直接最根本的因素，所以很有必要对其进行预测。本文采用RBF人工神经网络模型对未来短时间风速进行预测。通过对风速反复训练与检测来选择一组合适的模型参数，并对模型进行了误差分析。研究结果表明，使用RBF神经网络对未来风速进行短时间预测能够达到较好效果。

关坚词：风电机组；matlab；RBF神经网络；风速预测

1. 引言

开发与利用新能源是我国21世纪的重要能源战略。风能是一种“取之不尽，用之不竭”、环境友好的可持续性能源，已受到了越来越广泛的重视，并成为发展最快的新型能源。但是风电具有间歇性和随机性的固有缺点，随着我国风电并网容量快速增大，风速波动使得风力机组功率不稳定，给电力调度、风力机组维修带来了困难，因此预先一段时间进行风速的预测是很有意义的。风电场短期风速预测是解决该问题的有效途径之一。我国从20世纪90年代末开始了风速和风电功率预测研究，风电场风速预测误差在25%-40%。

本文选用径向基神经网络（即RBF神经网络），利用内蒙古某风电场2014年7月份每10分钟

分类号

ＵＤＣ密级编号

十Ｉ初大学

ＣＥＮＴＲＡＬＳＯＵＴＨＵＮＩＶＥＲＳＩＴＹ

硕士学位论文

论文题目

学科、专业

研究生姓名

导师姓名及专业技术耳只务

ｊ叠ｋ，一．

一！置＿Ｅ．．’‘？卜：≮气嘞＿－一●一一…’一‘：一’，！ ‘＿‘一‘

ⅢｆＩ｜｜Ｉ』』｜Ｉ｜Ⅲ…删…ｍ咖…Ⅲ

Ｙ１９１５１９１

原创性声明

本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。

作者签名：墨盘皇日期：丝ｌｊ年』月』日学位论文版权使用授权书

本人了解中南大学有关保留、使用学位论文的规定，即：学校有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》，并通过网络向社会公众提供信息服务。作者签名：墨直＝豆导师签名尘鍪坐日期：卫【Ｊ年上月工日

摘要

人工神经网络的研究是当代人工智

分类号

ＵＤＣ密级编号

十Ｉ初大学

ＣＥＮＴＲＡＬＳＯＵＴＨＵＮＩＶＥＲＳＩＴＹ

硕士学位论文

论文题目

学科、专业

研究生姓名

导师姓名及专业技术耳只务

ｊ叠ｋ，一．

一！置＿Ｅ．．’‘？卜：≮气嘞＿－一●一一…’一‘：一’，！ ‘＿‘一‘

ⅢｆＩ｜｜Ｉ』』｜Ｉ｜Ⅲ…删…ｍ咖…Ⅲ

Ｙ１９１５１９１

原创性声明

本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。

作者签名：墨盘皇日期：丝ｌｊ年』月』日学位论文版权使用授权书

本人了解中南大学有关保留、使用学位论文的规定，即：学校有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》，并通过网络向社会公众提供信息服务。作者签名：墨直＝豆导师签名尘鍪坐日期：卫【Ｊ年上月工日

摘要

人工神经网络的研究是当代人工智

RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构

基于RBF神经网络的不利天气道路通行能力计算—

—章锡俏　盛洪飞　姚艳雪21

基于RBF神经网络的不利天气道路通行能力计算3

章锡俏1　盛洪飞1　姚艳雪2

(哈尔滨工业大学1　哈尔滨150090)　(哈尔滨师范大学2　哈尔滨150500)

摘　要　不利天气下影响城市道路通行能力的各种因素都具有随机的、非线性,采用常态条件下修正理论通行能力的计算方法是不适合的。文章结合RBF神经网络模型方法能够良好地分析出随机的、非线性的特点,对路网组成单元进行重新划分,选定不利天气下道路通行能力的影响因素,建立了道路通行能力计算的RBF神经网络模型。并依据哈尔滨市暴雨天气下道路的实际情况进行了算例分析,计算的道路通行能力与实测数据最大误差为-1.16%,验证了模型的可行性和有效性。

关键词　不利天气;道路通行能力;RBF神经网络中图法分类号:U491　　文献标识码:A

0　引　言

下,的最大车辆数。目前,以分为两类:的,。第一类方法是在道路理论通行能力的基础上,考虑影响道路通行能力的诸多因素,通过对与理想道路、交通条件不相符的实际道路和交通条件进行修正,例如车道宽度、侧向净空、车辆组成、道路纵坡等,从而

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。

第3卷第 2 0期2 0年 f{ 01 j

辽

i:

i

VO .30 J NO.2

j) I ( I1 tNA I (I ll ) N ( SH I U A NI卜I 1r ) A( NI H U V=、

J n O1 u .2 0

文章编号： 6 2 6 5 ( ( 0 0 o 5 1 7— 9 2 2 1 ) 2 0 8…O j l

基于 RB F神经网络二级倒立摆系统的 P D控制 I王宏楠(宁石油化工大学信息与控制工程学院，宁抚顺 1 3 0 )辽辽 1 0 1

摘

要：针对二级倒立摆系统，出一种基于 R F神经网络的 P D控制方法。该方法采用 R F神经网络对 提 B I B

PD控制器的参数进行优化修正，而使控制器处于最优状态， I从实现二级倒立摆的稳定控制。仿真结果表明，方法该的控制精度较高，应迅速，调量较小。对于多变量、线性、响超非不稳定的

密 封 线

基于BP和RBF人工神经网络的齿轮箱故障诊断

摘要 本文分别阐述了BP( back propagation) 神经网络和径向基函数( radial base function， RBF) 神经网络的基本原理和算法， 将两者分别应用于齿轮箱故障诊断与识别，建立齿轮箱的BRF 故障诊断模型，并将结果进行比较和分析．结果表明， RBF 神经网络性能优于BP 神经网络， 具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力， 非常适用于齿轮箱的状态监测和故障诊断．但在具体应用中应当注意， RBF 网络的训练样本必须含有一定的噪声，以提高网络的容噪性能; 各类故障的训练样本数不能太少， 否则RBF 网络的故障分类能力很差．

关键字 BP神经网络 RBF神经网络 故障诊断 齿轮箱

1引言

拖拉机变速箱是整机进行减速增扭的部件，它受扭转和拉压两种载荷的综合作用，受力过程非常复杂。因此，拖拉机的很多故障出现于变速箱中齿轮及传动轴等机械系统中。据统计，以齿轮为代表的变速箱故障发生率占据除

小波和RBF神经网络在滚动轴承故障诊断中应用*

摘要：研究了基于径向基神经网络的故障诊断方法和原理,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的内外环故障模式,可以满足工程中的需要。 关键词：小波神经网络；径向基函数；滚动轴承；故障诊断 中图分类号 TH133.3；TP183 文献标识码

Application of Wavelet and Radial Basis Function Neural Networks

to Fault Diagnosis of Rolling Bearing

Abstract: The method and the theory of fault diagnosis based on the radial basis function neural network are studied. The feature vectors are established by means of wavelet packet, then recognition of fault pattern of r

Matlab工具箱中的BP与RBF函数

Matlab神经网络工具箱中的函数非常丰富，给网络设置合适的属性，可以加快网络的学习速度，缩短网络的学习进程。限于篇幅，仅对本章所用到的函数进行介绍，其它的函数及其用法请读者参考联机文档和帮助。

1 BP与RBF网络创建函数

在Matlab工具箱中有如表1所示的创建网络的函数，作为示例，这里只介绍函数newff、newcf、newrb和newrbe。 表 1 神经网络创建函数

函数名 newcf newff newrb newrbe

(1) newff函数

功能：创建一个前馈BP神经网络。

调用格式：net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) 参数说明：

? PR - R个输入的最小、最大值构成的R×2矩阵； ? Si –SNI层网络第i层的神经元个数；

? TFi - 第i层的传递函数，可以是任意可导函数，默认为 'tansig'，可

含 义 创建一个前向层叠(cascade-forward)BP网络 创建一个前馈(feed-forward)BP网络 设计一个径向基网络 设计一个精密径向基网络 设置为logs