自然界风速的多变性与风机变桨系统的迟缓性会导致风机输出功率的不稳定。为了改善风机输出功率的稳定,首先基于RBF神经网络RBFNN(radial basis function neural network),以功率差作为信号来源,设计了RBF-PID自适应变桨控制器,建立了...自然界风速的多变性与风机变桨系统的迟缓性会导致风机输出功率的不稳定。为了改善风机输出功率的稳定,首先基于RBF神经网络RBFNN(radial basis function neural network),以功率差作为信号来源,设计了RBF-PID自适应变桨控制器,建立了风力机及变桨距机构仿真模型。其次,建立了2种风况模型,较好地模拟了自然界基本风况。仿真表明:在不同风况下对比常规模糊控制与PID控制,RBF-PID参数自适应方法在风速波动较大的情况下能够更好地稳定输出功率,且减小了变桨的幅值与频率,增加了风机的寿命。展开更多
OL S训练方法应用在径向基 (RBF )神经网络里时 ,存在当训练数据量很大时速度很慢的问题 ,并且 OL S方法不能自动确定基函数的平滑参数。本文针对此问题提出了一种基于快速模糊 C-均值算法 (A FCM)与 OL S算法相结合的 AF OL S训练算法 ...OL S训练方法应用在径向基 (RBF )神经网络里时 ,存在当训练数据量很大时速度很慢的问题 ,并且 OL S方法不能自动确定基函数的平滑参数。本文针对此问题提出了一种基于快速模糊 C-均值算法 (A FCM)与 OL S算法相结合的 AF OL S训练算法 ,该算法使用 AF CM方法对数据进行聚类 ,并获取基函数的平滑参数 ,然后使用 OL S方法从聚类结果中选取网络中心。利用实测的 4类飞机目标数据对其进行性能检验 ,试验结果验证了该训练算法可提高网络的训练速度 ,缩小网络规模 ,提高网络的分类能力。展开更多
在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络...在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。展开更多
文摘自然界风速的多变性与风机变桨系统的迟缓性会导致风机输出功率的不稳定。为了改善风机输出功率的稳定,首先基于RBF神经网络RBFNN(radial basis function neural network),以功率差作为信号来源,设计了RBF-PID自适应变桨控制器,建立了风力机及变桨距机构仿真模型。其次,建立了2种风况模型,较好地模拟了自然界基本风况。仿真表明:在不同风况下对比常规模糊控制与PID控制,RBF-PID参数自适应方法在风速波动较大的情况下能够更好地稳定输出功率,且减小了变桨的幅值与频率,增加了风机的寿命。
文摘OL S训练方法应用在径向基 (RBF )神经网络里时 ,存在当训练数据量很大时速度很慢的问题 ,并且 OL S方法不能自动确定基函数的平滑参数。本文针对此问题提出了一种基于快速模糊 C-均值算法 (A FCM)与 OL S算法相结合的 AF OL S训练算法 ,该算法使用 AF CM方法对数据进行聚类 ,并获取基函数的平滑参数 ,然后使用 OL S方法从聚类结果中选取网络中心。利用实测的 4类飞机目标数据对其进行性能检验 ,试验结果验证了该训练算法可提高网络的训练速度 ,缩小网络规模 ,提高网络的分类能力。
文摘在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。
