基于MEDO粒子群算法的流量软测量RBF网络优化研究

【摘要】： 本课题重点研究基于径向基函数(RBF)神经网络的动态流量软测量建模方法及实用化技术。针对液压伺服系统中对动态流量软测量模型实时性和精确性的要求,对RBF神经网络建模算法进行研究,选题对于建立高效的动态流量软测量系统具有十分重要的意义。 首先,简要介绍有关神经网络的基本理论,研究分析用于建模的RBF网络的各种改进算法,重点针对RBF神经网络训练精度和训练速度难以同时提升的问题,引入减聚类(SCM)算法优化的敏感性分析算法(SenV)对基函数的中心进行优化,在根本上为同时提升神经网络的训练精度和训练速度提供保障。 其次,简要概括有关粒子群算法(PSO)的基本理论,研究分析目前使用较多的各种粒子群算法,重点针对基本粒子群算法的初始化方法和搜索机制导致其容易陷入局部最优的问题,提出引入改进进化方向算子(MEDO)的粒子群优化算法(IPSO)。通过引入改进进化方向算子使粒子能够逃离局部最优,在不降低基本粒子群算法局部搜索能力和搜索速度的同时,提高其全局搜索能力。 然后,针对RBF参数由于参数空间局部信息的设置导致的RBF神经网络全局搜索能力差的缺点,将具有全局搜索能力、强实时性的IPSO算法应用于优化RBF神经网络训练。利用IPSO算法训练RBF网络的网络结构和参数,提高网络的全局寻优能力。 最后,用Matlab语言和VC2003设计并实现基于IPSO算法优化RBF神经网络的动态流量软测量系统。