RBF神經(jīng)網(wǎng)絡(luò)及其在鍋爐過熱汽溫控制中的應用.pdf

1、神經(jīng)網(wǎng)絡(luò)具有較強的逼近非線性函數(shù)的能力，具有自適應學習、并行分布處理和較強的魯棒性及容錯性等特點，為解決未知不確定非線性系統(tǒng)的建模和控制問題提供了一種有效途徑。由于常用的多層前饋網(wǎng)絡(luò)具有計算量大、收斂速度慢、容易陷入局部極小點等缺點，其應用受到限制。徑向基函數(shù)RBF(RadialBasisFunction)神經(jīng)網(wǎng)絡(luò)具有可以逼近任意非線性映射的能力，且網(wǎng)絡(luò)結(jié)構(gòu)簡單，輸出的連接權(quán)值與輸出呈線性關(guān)系，可以采用線性優(yōu)化算法，近年來，己成為人們的

2、研究熱點。
　　本文在現(xiàn)有RBF神經(jīng)網(wǎng)絡(luò)的學習算法的基礎(chǔ)上，改進了RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)造方法，對RBF神經(jīng)網(wǎng)絡(luò)在過程建模和控制中的應用進行了研究，并針對電廠過熱汽溫系統(tǒng)進行了仿真研究。
　　在RBF神經(jīng)網(wǎng)絡(luò)中，隱層RBF中心的數(shù)量和位置直接影響網(wǎng)絡(luò)的逼近能力，且要求RBF中心應能覆蓋整個輸入空間，但如果RBF中心的數(shù)量過多，將使網(wǎng)絡(luò)的計算量顯著增加，并會導致網(wǎng)絡(luò)泛化能力的降低，因此，建立RBF網(wǎng)絡(luò)模型的關(guān)鍵在于正確地選擇合適的

3、RBF中心和位置。本文基于人工免疫系統(tǒng)中的克隆選擇算法和免疫網(wǎng)絡(luò)理論，利用人工免疫系統(tǒng)的記憶、學習和自組織調(diào)節(jié)原理，進行RBF神經(jīng)網(wǎng)絡(luò)隱層中心數(shù)量和位置的選擇，并采用遞推最小二乘算法確定網(wǎng)絡(luò)輸出層的權(quán)值。形成了一種基于免疫原理的RBF神經(jīng)網(wǎng)絡(luò)混合學習算法。
　　關(guān)于動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的研究得到了人們的重視，基于M-RAN算法的RBF神經(jīng)網(wǎng)絡(luò)是一種動態(tài)神經(jīng)網(wǎng)絡(luò)，適合于過程的在線建模，將基于這種算法的RBF神經(jīng)網(wǎng)絡(luò)用于電廠過熱汽溫系統(tǒng)