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

1、神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的逼近非線性函數(shù)的能力，具有自適應(yīng)學(xué)習(xí)、并行分布處理和較強(qiáng)的魯棒性及容錯(cuò)性等特點(diǎn)，為解決未知不確定非線性系統(tǒng)的建模和控制問(wèn)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(jì)算量大、收斂速度慢、容易陷入局部極小點(diǎn)等缺點(diǎn)，其應(yīng)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(jiǎn)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(lái)，己成為人們的

2、研究熱點(diǎn)。
　　本文在現(xiàn)有RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法的基礎(chǔ)上，改進(jìn)了RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)造方法，對(duì)RBF神經(jīng)網(wǎng)絡(luò)在過(guò)程建模和控制中的應(yīng)用進(jìn)行了研究，并針對(duì)電廠過(guò)熱汽溫系統(tǒng)進(jìn)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(yīng)能覆蓋整個(gè)輸入空間，但如果RBF中心的數(shù)量過(guò)多，將使網(wǎng)絡(luò)的計(jì)算量顯著增加，并會(huì)導(dǎo)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(xué)習(xí)和自組織調(diào)節(jié)原理，進(jìn)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(xué)習(xí)算法。
　　關(guān)于動(dòng)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(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，適合于過(guò)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(guò)熱汽溫系統(tǒng)