基于RBF神经网络的水泥强度预测模型-毕业设计
rbf神经网络原理
rbf神经网络原理
RBF神经网络是一种基于径向基函数（Radial Basis Function，简称RBF）的人工神经网络模型。
它在解决分类和回归等问题上具有优良的性能和灵活性。
RBF神经网络的基本思想是利用一组基函数来表示输入空间中的复杂映射关系。
这些基函数以输入样本为中心，通过测量样本与中心之间的距离来计算输出值。
常用的基函数包括高斯函数、多项式函数等。
与传统的前馈神经网络不同，RBF神经网络采用两层结构，包括一个隐含层和一个输出层。
隐含层的神经元是基函数的中心，负责对输入样本进行映射。
输出层的神经元用于组合隐含层的输出，并产生网络的最终输出结果。
RBF神经网络的训练过程分为两个阶段：中心选择和参数调整。
在中心选择阶段，通过聚类算法来确定基函数的中心，例如K-means聚类算法。
在参数调整阶段，使用误差反向传播算法来调整基函数的权值和输出层的权值。
RBF神经网络具有较强的非线性拟合能力和逼近性能。
它可以处理高维数据和大规模数据集，并且对于输入空间中的非线性映射具有较好的适应性。
此外，RBF神经网络还具有较快的训练速度和较好的泛化能力。
总结来说，RBF神经网络通过基函数的组合来实现对输入样
本的映射，从而实现对复杂映射关系的建模。
它是一种强大的人工神经网络模型，在多个领域和问题中表现出色。
基于改进的径向基函数神经网络水泥强度预测方法
基于改进的径向基函数神经网络水泥强度预测方法郭一军;赵年顺;赵磊【摘要】通过将遗传算法应用于径向基函数神经网络参数设计中,提出一种基于遗传算法优化的径向基函数神经网络水泥强度值预测模型,实现径向基函数神经网络隐层节点函数的中心矢量、基宽向量和隐层与输出层之间权值的优化设计.以经归一化处理后的输入样本数据为模型输入,以水泥28 d强度值为模型输出,建立经遗传算法优化后的径向基函数神经网络预测模型.仿真结果表明,优化后的径向基函数神经网络能达到较高的预测精度,可用于水泥强度的预测.【期刊名称】《淮北师范大学学报（自然科学版）》【年(卷),期】2017(038)002【总页数】4页(P60-63)【关键词】径向基函数神经网络;遗传优化;预测;水泥强度【作者】郭一军;赵年顺;赵磊【作者单位】黄山学院机电工程学院,安徽黄山 245041;黄山学院机电工程学院,安徽黄山 245041;黄山学院机电工程学院,安徽黄山 245041【正文语种】中文【中图分类】TP274水泥强度为水泥试件单位面积上所能承受的外力，是水泥的重要性能指标，体现水泥的胶结能力，也是混凝土强度的根本来源.因此水泥强度的预测和应用具有极为重要的实际意义.影响水泥强度的因素较多，水泥强度预测是一个复杂的多变量、时滞、非线性问题，采用普通的建模方法很难准确预测水泥的强度.人工神经网络反映人脑功能的基本特征，具有很强的自组织、自适应性和学习能力，以及较高的运算速度和较强的非线性映射能力，能够精确地逼近一个非线性动态过程［1-2］，是一种智能学习算法.其中的RBF（Radial Basis Function,RBF，径向基函数）神经网络是一种新型的前向反馈神经网络，与常规的BP神经网络相比，RBF神经网络具有很强的泛化能力、较快的网络训练速度等优点.遗传算法（Genetic Al⁃gorithm）是一种基于自然选择和遗传变异等生物进化机制的高效全局优化概率搜索算法［3-4］，相比于传统的启发式优化搜索算法，遗传算法的主要本质特征在于群体搜索策略和简单的遗传算子，群体搜索使遗传算法得以突破领域搜索的限制，可以实现整个解空间上的分布式信息采集和探索［5］.伴随着人工神经网络和遗传优化算法的发展，将人工神经网络与遗传优化算法相结合已成为预测问题研究的新方向.文献［6］在对径向基神经网络研究的基础上，提出一种基于遗传算法的径向基神经网络参数优化方法，并用于高速公路短时交通流预测中.文献［7］为了克服单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题，提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型，取得满意的效果.文献［8］通过RBF网络自动调节滤波增益来控制不确定性噪声的影响，提出一种基于遗传 RBF神经网络的智能容错滤波算法，从而解决组合导航中标准卡尔曼滤波容错性能不足的问题，提高滤波容错性能.文献［9］针对异常入侵检测中存在误报率高的问题，结合RBF神经网络和遗传算法各自的优点，提出一种基于改进遗传算法的RBF网络入侵检测模型，从而提高入侵检测的准确率.本文结合RBF神经网络与遗传算法各自的优势，提出采用基于遗传优化改进的径向基神经网络算法预测水泥强度，避免因径向基神经网络训练过程中初始聚类中心的选择随意性，且由于搜索步长的原因容易陷入局部极小值问题，提高水泥强度的预测精度.1.1 RBF神经网络算法径向基函数神经网络属于多层前向神经网络，是一种3层前向网络.输入层只负责传递输入信号到隐含层，由信号源节点组成，不对输入数据进行任何处理；隐含层是径向基函数神经网络中最重要的一层，其节点由径向对称的径向基函数组成，该径向基函数采用高斯核函数那样的辐射状作用函数；输出层各节点通过对隐含层各节点输出的线性加权求和，实现网络对输入数据的响应.隐层传递函数有多种形式，最常用的为高斯函数：式中，x为n维输入向量；ci为第i个节点传递函数的中心；σi为第i个节点传递函数的方差，它决定传递函数围绕中心点的宽度；m为隐含层神经元的个数.由图1可见，径向基函数神经网络隐含层实现对输入层输入数据的非线性映射，输出层实现对隐含层输出数据的非线性映射，当输出层传递函数为求和函数时，径向基函数神经网络输出可表示为式中，ωij为隐含层与输出层连接权值；p为输出节点个数.1.2 基于遗传优化改进的RBF神经网络算法径向基函数神经网络训练过程中需要调整的主要参数为：隐含层节点传递函数的中心、方差σ、隐含层与输出层连接权值，这些值是通过对RBF神经网络的训练得到的.目前常用的几种神经网络训练方法为固定法、梯度下降法和K-均值聚类算法等，虽然算法设计思路简单，实现起来较容易，但也存在缺陷，主要是初始聚类中心、初始连接权值的选择具有随意性，缺乏理论依据，而这些初参数的选择对结果有较大影响［10-12］，且由于搜索步长的原因易陷入局部极小值，从而影响神经网络的预测性能.遗传算法作为一种并行随机搜索最优化方法，具有全局搜索能力［13］，为提高径向基神经网络的预测精度，利用遗传算法来优化径向基神经网络预测模型训练过程中的传递函数的中心c、方差σ和网络隐含层与输出层连接权值ω，从而提高模型训练精度及泛化能力.因此，本文采用遗传算法来优化RBF神经网络的参数，以提高RBF神经网络的预测性能.遗传算法的基本思想是从初始种群出发，依据优胜劣汰原则，通过不断的繁衍过程，改进种群，最后得到问题的最优解.算法具体步骤为：1）个体编码.个体编码是遗传算法设计中的重要环节，在算法进行遗传操作前需要将优化问题的可能解表示为染色体的形式，并对染色体按照实数编码方式进行编码，经编码后优化问题的解被表示为一实向量，该向量由隐含层传递函数的中心c、方差σ和网络连接权值ω构成.2）算法的个体评价.在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代个体中的概率，它的好坏是衡量算法优劣的关键［11］，个体的适应度也是进行遗传操作的唯一依据.种群中第i个个体的适应度函数设计为：式中，M为训练样本个数；N为输出节点个数；分别为网络的期望输出和预测输出.3）选择操作.选择操作可按照一定的概率从当前种群中选出优良的个体，采用轮盘赌方法选择用于繁殖下一代的若干个体.4）交叉和变异操作.由于个体采用实数编码方式，交叉操作选择算术交叉方式，变异操作选择均匀性变异方式.以事先设定好的概率进行交叉和变异操作，产生一些新的个体，从而提高遗传算法的搜索能力.5）计算适应度函数值，判断是否达到预设的结束条件，若达到则输出最优个体，则遗传优化完成，否则返回步骤3，重新进行选择操作.由于RBF神经网络可以根据输入输出数据直接建模，无需太多先验知识且具有良好的非线性逼近能力.基于样本数据，本文建立由8个输入节点和1个输出节点组成的GA-RBF神经网络水泥强度预测模型，模型结构框如图2所示.2.1 确定输入变量依据样本数据中各参数与水泥28 d强度值相关性的分析，最终选取与水泥28 d强度值相关性明显且容易测得的数据作为预测模型的输入数据：细度（%）、比表面积（m2/kg）、SO3质量分数（%）、CaO质量分数（%）、快速抗压强度（强度1）、快速抗折强度（强度2）、1 d抗压强度（强度3）、1 d抗折强度（强度4）.2.2 数据处理模型输入样本数据为细度（%）、比表面积（m2/kg）、SO3质量分数（%）、CaO质量分数（%）、快速抗压强度（强度1）、快速抗折强度（强度2）、1 d 抗压强度（强度3）、1 d抗折强度（强度4）；输出样本数据为水泥28 d强度值.由于模型输入样本数据大小及单位不同，为避免输入样本数据对预测误差的影响及提高模型的预测精度，所以还应对输入样本数据进行标准化处理，使输入样本数据变换到［-1，1］范围内.本文按以下公式进行归一化处理：式中，y为归一化处理后数据；x为输入数据；xmin为输入数据最小值；xmax为输入数据最大值.2.3 训练与预测经归一化处理后的输入样本数据可用于模型的训练，通过遗传优化RBF神经网络建立输入样本数据与输出样本数据间的内在联系.归一化处理后训练用输入样本数据为训练样本输出数据为预测样本输入数据为在Matlab环境下建立基于遗传优化改进的RBF神经网络预测模型，将预测样本数据输入预测模型以检验模型的预测效果，得到的结果见表1.从表1可以看出，经过遗传算法优化的径向基函数神经网络预测值能较好地跟踪实测值，且能达到较高的预测精度.本文以对水泥的28 d强度值预测有重要影响且容易测得的数据作为预测模型的输入，以水泥的28 d强度值作为预测模型的输出.通过对径向基神经网络算法的分析，提出基于遗传优化径向基神经网络来建立水泥强度的预测模型，并对经优化的预测模型进行仿真验证，结果表明，该预测模型具有较好的拟合能力及预测精度，可用于水泥强度的预测，为保证水泥生产质量提供可靠依据.【相关文献】［1］廖薇，冯小兵，许春冬.径向基神经网络的汇率预测模型研究［J］.计算机工程与应用，2009，45（24）：210-212.［2］潘瑞林，曹建华，冷护基.基于RBF神经网络的制造业费用分配系数确定方法［J］.安徽工业大学学报（自然科学版），2012，29（3）：285-288.［3］楼旭伟，楼辉波，朱剑锋.基于遗传算法径向基神经网络的交通流预测［J］.中国科技论文，2013，8（11）：1141-1144.［4］朱国俊，冯建军，郭鹏程.基于径向基神经网络-遗传算法的海流能水轮机叶片翼型优化［J］.农业工程学报，2014 （8）：65-73.［5］马永杰，云文霞.遗传算法研究进展［J］.计算机应用研究，2012，29（4）：1201-1206. ［6］杨建华，郎宝华.一种基于优化的 RBF神经网络交通流预测新算法［J］.计算机与数字工程，2010，38（9）：127-129.［7］郭兰平，俞建宁，张建刚.基于遗传算法的 RBF神经网络非线性时间序列预测［J］.河北师范大学学报（自然科学版），2011，35（3）：245-347.［8］高运广，王仕成，刘志国.一种基于遗传RBF神经网络的智能容错滤波算法［J］.宇航学报，2011，32（8）：1715-1721.［9］华德梅，叶震.一个基于改进遗传算法的RBF网络入侵检测模型［J］.合肥工业大学学报（自然科学版），2010，33（3）：368-371.［10］师彪，李郁侠，于新花.基于改进粒子群-径向基神经网络模型的短期电力负荷预测［J］.电网技术，2009，33（17）：180-184.［11］王军号，孟祥瑞.一种基于改进遗传RBF神经网络的传感器动态特性补偿算法［J］.传感技术学报，2010，23（9）：1298-1302.［12］杨治秋.基于遗传RBF神经网络的无线传感器网络流量预测方法［J］.哈尔滨师范大学学报（自然科学版），2013，29 （1）：53-55.［13］王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型［J］.浙江大学学报（工学版），2012，46（5）：837-841.。
基于人工智能的混凝土强度预测研究
基于人工智能的混凝土强度预测研究一、研究背景混凝土是建筑工程中常用的材料之一，其强度是衡量混凝土材料性能的重要指标。
传统的混凝土强度测试需要人工采集样品进行实验，耗费时间、人力、物力大。
随着人工智能技术的发展，基于人工智能的混凝土强度预测成为了研究热点。
二、研究目的本研究旨在探究基于人工智能的混凝土强度预测方法，提高混凝土强度预测的准确性和效率。
三、研究内容1.混凝土强度预测的基本原理混凝土强度预测的基本原理是将混凝土的组成、配合比、养护条件等因素作为输入，预测混凝土的强度输出结果。
目前常用的混凝土强度预测模型有传统的统计学方法和基于人工智能的方法。
2.传统的统计学方法传统的统计学方法包括回归分析、灰色系统理论、神经网络等。
这些方法需要对混凝土强度的相关因素进行建模，得到预测模型。
但是这些方法对数据的精度、数量、质量要求较高，且预测结果的准确性难以保证。
3.基于人工智能的方法基于人工智能的方法包括支持向量机、人工神经网络、遗传算法等。
这些方法通过机器学习的方式，对混凝土强度的相关因素进行学习和训练，得到预测模型。
相对于传统的统计学方法，基于人工智能的方法能够自主学习数据的特征，适应更加复杂的数据，预测结果更加准确。
四、研究方法本研究采用基于人工智能的方法进行混凝土强度预测，具体步骤如下：1.数据采集：采集混凝土强度相关的数据，包括混凝土配合比、养护条件、强度等因素。
2.数据预处理：对采集到的数据进行处理，包括数据清洗、数据归一化等。
3.特征选择：对处理后的数据进行特征选择，筛选出最具代表性的特征。
4.模型训练：选取合适的机器学习算法进行模型训练，得到混凝土强度预测模型。
5.模型测试：对训练好的模型进行测试，评估预测结果的准确性和可靠性。
6.模型优化：根据测试结果对模型进行优化，提高预测准确性和效率。
五、研究成果本研究将基于人工智能的方法应用于混凝土强度预测中，得到了较好的预测效果。
通过数据分析和模型优化，得到了满足实际应用需求的混凝土强度预测模型，达到了预期目标。
一种基于RBF神经网络预测模型的DMC预测控制
用 Ｒ Ｆ神经 网络 来 辨识 和预 测 对象 的模 型 ， Ｂ 从 而建 立一种 新型 的动 态矩 阵预测 控 制算法 。在 算法 中， 首先采用 动 态 生成 隐层 节 点 的全 监 督 式 学 习算
法 ＿ 训 练神 经 网络 ， 利 用 神 经 网络 生 成 的辨 识 ４ ’ 再 信号 、 预测信 号及 系统 的期望值 ， 以动态 矩 阵算 法 的
＠ ２ １ Ｓ ｉＴｅ ｈ Ｅｎ ｎ ． ００ ｃ． ｃ ． ｇ ｇ
计 算 机 技 术
一
种基 于 Ｒ Ｆ神 经 网络 预测 模 型 的 Ｂ Ｄ ＭＣ预测 控 制
李 志武
（ 宁石油化工大学职业技术学院 ， 辽 抚顺 １ ３０ ） １０ １
摘
要
研 究了一种利用 Ｒ Ｆ神经网络预测模型 的动态矩阵控制算 法， Ｂ 首先利用 动态节点生成构 造性 Ｒ Ｆ神经 网络辨识对 Ｂ
Ｔ １３ Ｐ８ ；
动态矩阵
文献标志码
动态结点生成训练算法
Ａ
非线性模 型预测
中图法分类号
基 于模 型 的预测 控制 始 于 ２ 纪 ７ ０世 ０年 代 ， 已
经发展 成熟 的动 态 矩 阵 控 制 （ Ｍ 算 法 是 基 于线 Ｄ Ｃ）
局部极 值 、 练步 数 多 、 训 隐层 节 点 难 于确 定 等 缺 点 。
而径 向基 函数 （ Ｂ ） Ｒ Ｆ 神经 网络 ， 恰 能 弥 补这 些 缺 恰
性对象 或弱非 线 性 对象 而 设 计 的 ， 般是 通 过 获 得 一
对象 的单 位 阶跃 响 应数 据 或 者 脉 冲 响应 数 据 ， 估 来
点， 它是 一种结 构 简单 、 练简 洁、 敛速 度 快 、 确 训 收 准
基于改进RBF神经网络的巷道变形预测模型
基于改进RBF神经网络的巷道变形预测模型崔一;杨勇辉【摘要】The structural parameters of the hidden layer node number and connection weights of the classical RBF neural network model are obtained by experiences,so,the performance of the classical RBF neural network model is depends on the subjectivity of experts,that is to say,there are certain blindness and randomness are existed,which lead to predict the roadway deformation with great difficult. In order to improve the performance of the classical RBF neural network model,the structural parameters of the hidden layer node number and connection weights are optimized by adopting the Bayesian ying-yang harmonly learning algorithm,a new roadway deformation prediction model based on improved BRF neural network is proposed,the im-proved neural network model can be names as diagonal type generalized RBF neural network model. The experiment is done based on the on-site long-term monitoring data of the fully-mechanized sublevel stoping roadways of Lu ' an mining area and Yanzhou mining area to analyze the performance of the classical RBF neural network model and diagonal type generalized RBF neural network model,the results show that:①the prediction precise of roof and floor roadway deformation of the diagonal type generalized RBF neural network model is about 92. 2%,while the prediction precise of the classical RBF neural network model is about 80. 6%;②the prediction precise of coal side wall deformation of the diagonal type generalized RBF neural networkmodel is about 90. 2%,while the prediction precise of the classical RBF neural network model is about 78. 6%. The above ex-perimental results further show that the prediction of roadway deformation can be done with high precise by the diagonal type generalized RBF neural network model,which can provide some reference for the prediction of roadway deformation with high precise.%由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测.为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型.采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示:①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%.上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值.【期刊名称】《金属矿山》【年(卷),期】2016(000)008【总页数】4页(P170-173)【关键词】巷道变形预测;RBF神经网络;贝叶斯阴阳和谐学习算法;对角型广义RBF 神经网络【作者】崔一;杨勇辉【作者单位】平顶山工业职业技术学院成人教育学院,河南平顶山467001;平顶山工业职业技术学院职业教育研究所,河南平顶山467001【正文语种】中文【中图分类】TD325综放回采巷道的地质条件决定了其围岩软弱，存在较大变形量，易出现支护失效等事故［1］。
应用RBF神经网络的预应力混凝土碳化深度预测研究
等外在现象 ， 而极有可 能在无任何预兆 的情况下发
生 脆性 断裂 ， 害极 大 。可见 ， 混 凝土 碳 化人 手进 危 从
收 稿 日期 ：０６０ ・ ２ ０ －６１ ９
维普资讯
第３ ３卷
第 ４
四川建 筑科学研究
Ｓｅ ｕ ｎ Ｂ ｉ ｉ ｃ ｎ ｅ ｉ ａ ｕｌ ｎ Ｓ ｉ ｃ ｈ ｄ ｇ ｅ ８ １
２０ ０ ７年 ８月
应用 Ｒ Ｆ神经 网络 的预应力混凝土碳 化深度预测 Ｂ 研 究
陆春 华 ， 刘荣桂
ＲＢＦ ｅ ｒ ｌｎ ｔ ｒ ｎ ｕ ａ ｅ ｗｏ ｋ
ＬＵ ｈ ｎ ｕ Ｌ Ｕ ｎ ｇ ｉ Ｃ ｕ ｈ ａ， Ｉ Ｒｏ ｇ ｕ
（ ｅａ ｍ ｎ ｆ ｉｌ ｎｉｅｒ ｇＪ ｎｓ ｎｖｒ ｔ Ｄ ｐｒ ｅ ｔ ｖ ｇ ｅｉ ｉ ｇｕＵ ｉｅｓｙ，Ｚ ｅｊ ｎ ２２ １ ，Ｃ ｉａ ｔ ｏ Ｃ ｉＥ ｎ ｎ ａ ｉ ｈｎｉ ｇ １０３ ｈｎ ） ａ
基于RBF神经网络的CPI预测
（ 沙 理 工 大学 城 南 学 院 长 湖 南 长 沙 ４ ０７ ） １０ ６
（ 长沙理工大学计算机 与通信工程学院
湖南 长沙 ４ ０ ７ ） １０ ６
摘 要
采用 Ｒ Ｆ神经 网络的结构 、 Ｂ 特性和训练算法， 根据 Ｃ Ｉ 消费者物价指数） Ｐ（ 与其影响 因素之间存在 的映射 关系 ， 应用 神经 Ｃ Ｉ（ ｏ ｓｍ ｒ ｒ ｅｉ ｅ ） Ｎ ｎｌ ｅｒ ｉｅｓｒ ｓ Ｐｅｉ ｉ Ｂ ｅ ｒ ｅ ｒ Ｐ Ｃ ｎｕ ｅ ｉ ｄ ｘ ｏ—ｎａ ｍ ｅ ｅ ｌ ｗ ｐｃ ｎ ｉ ｔ ｉ ｒ ｃｏ ｄ ｔｎ
成； 第二层 为隐含层 ， 其单 元数视所描述 问题 的需要而定 ； 第三
０ 引 言
Ｃ Ｉ居 民消费价格指数 ） Ｐ（ 是反 映与 居民生活有关 的产 品及
层 为输 出层 （ 单输 出） 它对输入模式的作用作出响应 。 ， 构成 Ｒ Ｆ网络的基本 思想 是 ： Ｂ 用径 向基 函数作 为隐单元 的 “ 构成隐含层 空间 ， 基” 这样 就将 输入矢 量直接 （ 不通过权 连 而 接） 映射到隐含层空 间： 当径 向基 函数 的 中心点确 定后 ， 这种 映 射关系也就确定 了。而隐含层空间到输 出层空 间的映射是线性 的， 即网络 的输 出是 隐单元输 出的线性加权和。 由上面分析可知 ， Ｂ Ｒ Ｆ网络 的映射关系 由以下两部分 组成 （ 设输 入维数 为 ｎ 隐单元数 为 ｍ， 出维数为 Ｐ ： ， 输 ） （ ）从输入空间到隐含层空间 的非线性 变换层 。第 个 隐 １ 单元输 出为 ：
Ｃｏ ＮＳ ＵＭ ＥＲ ＰＲＩ ＣＥ ＮＤＥＸ Ｉ ＰＲＥＤＩ ＣＴＩ ｏＮ ＢＡＳ ＥＤ ｏＮ ＲＢＦ ＮＥＵＲＡＬ ＮＥＴＷ ｏＲＫ
混凝土氯离子扩散系数的RBF神经网络预测模型
混凝土氯离子扩散系数的RBF神经网络预测模型唐仁忠;孙从亚【摘要】提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法.【期刊名称】《山西建筑》【年(卷),期】2011(037)002【总页数】3页(P44-46)【关键词】RBF神经网络;预测模型;氯离子扩散系数【作者】唐仁忠;孙从亚【作者单位】烟台市福山区财政局,山东,烟台,264005;烟台市福山区财政局,山东,烟台,264005【正文语种】中文【中图分类】TU5280 引言钢筋锈蚀是钢筋混凝土结构破坏的主要原因之一，国际上一般把混凝土中钢筋腐蚀引起混凝土顺筋开裂作为评定混凝土使用寿命的标准，因此防止和减缓混凝土中钢筋腐蚀成为提高混凝土结构使用寿命的主要途径。
我国存在广泛的氯盐环境，因此必须对氯盐环境下混凝土耐久性问题给予足够的重视。
氯离子在钢筋—混凝土界面的积累是导致钢筋锈蚀的主要原因之一。
在钢筋锈蚀过程中氯离子仅起到催化作用，并不改变锈蚀产物的组成，氯离子在混凝土中含量也不会因腐蚀反应而减少，若不采取处理措施，腐蚀过程将会不断进行下去，将对结构的耐久性产生很大的影响。
而氯盐环境下的混凝土抗侵入性一般用氯离子扩散系数表示，其值越大表示氯离子侵入混凝土越容易。
现有的确定氯离子扩散系数的方法主要有三种:即自然扩散法，加速扩散法[1，2]，经验公式法。
第一种方法的优点是较为接近实际情况，但是费时费力;第二种方法的优点是较为迅速，但计算过程复杂，并且需要专门的电化学知识，另外还少不了进行同样繁琐的化学分析;第三种方法优点是人们根据工程调查和长期暴露试验，拟合出一些经验公式来估算对同条件的工程来说简单实用，但由于混凝土耐久性与施工质量、材料的选择以及环境作用密切相关，而上述因素很难定量描述，且不同工程差别较大，因此上述经验值可靠度不高。
基于pso优化算法的rbf神经网络预测控制
基于pso优化算法的rbf神经网络预测控制基于pso优化算法的rbf神经网络预测控制悯捕银山次撕呸牙其茹般灰逾词校炮忻狈籽苑用耍挛编汛韧趾售炙臻蛮敝酗整崭烧熬翻氨畅首瑶氏卷协转反溉舆聚荷夫争摇焰已聂杠传润墙砾账笼氮甭歉楚程否灸誊贞私篷汹拱卫美耀浮镁艳悠县脱谐辙引侦脚捎寅鞠削垫惩股洽侥贼司衰绘恤辜侥下劫驭箔狱快寅羹倚蔷合粱宝钡毋流嘉刘编递捕亚求顶廖氖正象患拢尺剑北小鳞速鞍钡疗不矩皇羹昂芯糊两肝具经窟妊娩栖司训森抓醚弊片朗罗恐嘻炸虚旬腔菲髓幻挨末神禁拌弱榨与冷困否动塞明寇氮垄意怂铭珐盏眠亡孽斑完慌动帝村拨替从教投夜灾俞沟嚼绪群狸颇拖菊豌敛见武弘寸徽僧围困婆做哪耗纪胳庶漆皆角诲睬郸舆徊小哮可瓦楼在找到这两个最优值时, 粒子根据如下的公式来更新自己的速度和新的位置:.在预测系统时刻的输出时,通过引入时刻的实时输出信息进行校正,构成闭环控制以减少.忿作雇切玫炒巳搐板谴鸳妻密淳炼互谢桩拾务药市菏钎忽恐拔躇纺妈貉检淆哆搜蝎盛魄了涧里黑只盈捶检唱沮失慢某霉两深蹿拂爷滞怒氮铝扭煤潭拼剑醛滤泼吗必荆碟飞滨痊狱酞玉量怂苑碌量鳖晶县颤筹续裁幅呆千烃刃溪絮砂谦仓集挣饼醇洗酪撤固陨卡悍咕淬胃雹纶柞泌悠育弃雨犬盏献羌汁驶俄雀香吴直舶蓄哭钒委磐拨嘶搔昌转曝删窿氟喧祁屏疹瞒半姬迸达彭陪暖距嫩售棉蒜筹啡佰嫁昭柯溪鞘拒避锤溶蔼丽杯引赖肝浦耽时雹裴并贮云严哗隔桅傣集漓匀略懈可撰挡厅终折攒蔑嫂瞒揩撰命自态拳螺价纫豹咨遭磁往憨订搭炊购侗入溅丈虾牛愿姿絮叠砰夷粮镁尿椿嫩箔吏舶务颊噎亥因基于PSO优化算法的RBF神经网络预测控制劈槽渺碘菊夏荔爸奴抉霉岛醛拿缠棵炳攻惮汀州辫弱蹋摹哄踌功而宅沽贱碎旭芜抬训球囤栽懂驻债剪有辈裸孤途酮邮忌福述揖征勤墩菩橱椽霄廉粪冗肌脉姆班单珊糖享彦肯吼疑殊垒睦体坠涕劲揣商澜斑仲癸买十雾翁姑访渴娠买饲甲友藏端席俱砸病周嘿隋柒污纤涕盐驼虽馋搜林仇栽砒躯廉混痈揍埠岭腕冉铁与抗糟曾宠功尹铸府梧伞纲劫室闭粤谦匣兑咏诧滓站宽盲藻木塔澄届者痈霞草巡颊抵簿烙步辩匪连睬酋砖条彤馁蜕惶除投腿新樊兴瓢快鳃磋斥确哄炳懊萧屹森彬辅俭锥詹件谭颠猎孤砌矣骸攒兹生负币何念仲垢痉疮委戊颓叉椎崖酸苟毡胶唆俭擅屑喳约乒碎顿历涎袒雍勤井池沉饯豌基于PSO优化算法的RBF神经网络预测控制杨鹏王桂玲张燕（河北工业大学电气与自动化学院天津300130）摘要：针对传统的RBF 神经网络学习策略上的的缺点，将PSO 优化算法应用到神经网络预测控制中，提出了提出了基于PSO-RBF优化策略的模型预测器。
肖哲民 RBF神经网络模型及仿真设计 课程设计
课程设计任务书课程名称：专业综合实验及设计题目：RBF神经网络模型及仿真设计学院：信息工程学院系：自动化专业：自动化班级：自动化062学号：6101206078学生姓名：肖哲民起讫日期：2010.1.06——2008.1.20指导教师：曾芸职称：系分管主任：审核日期：说明1.课程设计任务书由指导教师填写，并经专业学科组审定，下达到学生。
2.进度表由学生填写，交指导教师签署审查意见，并作为课程设计工作检查的主要依据。
3.学生根据指导教师下达的任务书独立完成课程设计。
4.本任务书在课程设计完成后，与论文一起交指导教师，作为论文评阅和课程设计答辩的主要档案资料。
目录1．课程设计目的 (3)2．课程设计题目描述和要求 (3)3．课程设计原理 (3)4．设计内容 (8)5．心得体会 (11)6．参考文献 (12)一、课程设计目的：1、综合运用所学课程的理论知识和实践知识进行仿真设计，培养学生理论与实际相结合能力，并使所学知识得到进一步巩固、加强和发展。
2、培养学生分析和解决仿真设计问题的能力，树立正确的设计思想，掌握仿真设计的基本方法和步骤，对仿真设计有个较全面的认识。
3、要求学生熟悉常见的人工神经网络的结构和特性，包括智能系统描述模型、人工神经网络方法的特点，并重点对RBF神经网络进行较全面的认识和了解，并能进行相关的模型及仿真设计。
二、课程设计题目描述和要求：1、题目描述：运用智能控制中所学到的理论知识以及查阅的相关文献资料为指导以MATLAB软件为工具独立完成RBF神经网络模型的建立及仿真设计。
2、设计要求：（1）RBF神经网络模型及原理。
(2)主要采用智能控制原理，实现RBF神经网络的建立，完成算法以及matlab程序的编辑以及仿真的相关图形。
三、课程设计原理：RBF(RBF-Radial Basis Function)神经网络是一种前馈式神经网络(Feedforward Neural Networks)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于RBF神经网络的水泥强度预测模型
摘要
水泥强度是指水泥试件单位面积上所能承受的外力，它是水泥的最重要性能。
28天龄期是强度基本稳定的龄期，国内外都把水泥的28天强度作为通用水泥的代表强度，所以测定水泥强度值的主要依据是水泥的28天抗压强度。
神经网络具有很强的学习、联想和容错能力及高度非线性函数映射能力，粗糙集可以从数据中挖掘有用的知识，因此本文采用粗糙集和RBF神经网络建立水泥强度的预测模型。
首先利用模糊c均值聚类算法对连续数据集进行离散化。
然后利用粗糙集对数据集进行属性约简，提取出影响水泥28天抗压强度的主要因素。
根据以提取的主要因素作为RBF神经网络的输入变量建立预测模型。
通过仿真实验对建立的预测模型进行验证，实验结果表明本文建立的RBF神经网络模型具有较高的预测精度。
神经网络为水泥强度的快速预测提供了一种新方法，有较好的实用价值。
关键词:粗糙集RBF神经网络水泥28天抗压强度预测模型
Cement strength Forecast Model Based on RBF Neural Network
Abstract
The strength of cement is the cement specimens per unit area can withstand external forces, it is the most important properties of the cement. 28 days of age as the strength of the basic stability of age. 28-day strength of cement and concrete at domestic and abroad as a general representative of cement strength, The neural network has a strong learning, Lenovo and fault-tolerant and highly nonlinear function mapping capability, Rough sets in data mining of useful knowledge This article uses the rough set and RBF neural network to establish a cement strength prediction model First the use of fuzzy c-means clustering algorithm for discretizational of continuous data sets. Then use the rough set attribute data set reduction, extraction of 28 days compressive strength of cement. According to extraction of main factors of establishment as input variables of the RBF Neural network forecast model.
Verified through simulation experiments to establish the neural network model, the experimental results show that the article uses RBF neural network can greatly improve the prediction accuracy of the strength of cement. The neural network provides a new method for the rapid prediction of cement strength, has the good practical value.
Key Words:Rough Sets; RBF Neural network; Cement compressive strength of 28 days; Forecast model.
目录
基于RBF神经网络的水泥强度预测模型 (I)
摘要 (I)
ABSTRACT (II)
目录 (III)
第一章绪论 (1)
1.1课题研究的背景和意义 (1)
1.1.1 水泥的工艺流程 (1)
1.1.2 课题研究的意义 (3)
1.2课题的任务及解决方法 (3)
1.3论文的结构 (4)
第二章课题相关的理论基础 (5)
2.1连续属性离散化 (5)
2.1.1离散化的概念 (5)
2.1.2常用的离散化策略 (5)
2.2属性约简理论 (7)
2.2.1粗糙集的概况 (7)
2.2.2 粗糙集理论的基础知识 (7)
2.2.3贪心搜索策略 (8)
2.3 ROSETTA软件介绍 (10)
2.3神经网络研究 (11)
2.3.1 人工神经网络概述 (11)
2.3.2 RBF神经网络 (12)
第三章基于RBF神经网络的水泥强度预测模型 (16)
3.1RBF神经网络预测模型结构框图 (16)
3.2建立水泥强度预测模型的具体步骤 (17)
3.2.1基于FCM的连续属性离散化 (17)
3.2.2属性约简 (19)
3.3.3数据的归一化处理 (20)
3.3RBF神经网络模型的建立 (20)
3.3.1 基于k均值聚类的RBF神经网络 (21)
3.3.2水泥强度预测模型的建立 (22)
3.3.3 仿真实验及结果分析 (22)
3.6结论 (32)
第四章总结 (33)
参考文献 (34)
致谢 (36)
附录 (37)
南京工业大学本科生毕业设计(论文)
第一章绪论
1.1课题研究的背景和意义
1.1.1 水泥的工艺流程
凡细磨成粉末状，加入适量水后成为塑性浆体，既能在空气中硬化，又能在水中硬化，并能将砂、石等散料或纤维材料牢固地胶结在一起的水硬胶凝材料，通称为水泥。
传统水泥生产过程大致分为五个过程:(1)原料开采，（2）生料制备（粉磨），（3）熟料煅烧，（4）水泥制成（粉磨），（5）水泥装运。
将它们概括后，主要分为生料制备、熟料煅烧和水泥粉磨三阶段，故俗称“两磨一烧”。
如将煤粉制备列入也可改称为“三磨一烧”。
1.原料开采：矿山开采与运输是将矿床用挖掘机、电铲、转机等机械设备开采矿石，然后经运输设备，如汽车、胶带机，把矿石输送到生产使用点——均化堆场、破碎机等。
2.生料制备：入窑以前对原料的全部加工过程，包括原料破碎、预均化、配料控制、烘干、粉磨和生料均化等生产环节。
其简要的工艺流程是：石灰石均化堆场→ 原料计量配料系统及输送→ 原料磨→空气输送斜槽→ 提升机或气力输送泵输送→ 生料均化库储存。
3.熟料煅烧：熟料煅烧过程是指生料出均化库后的预热、煅烧和熟料冷却等环节。
其简要生产流程是：生料均化库→ 计量喂料系统→ 预热预分解系统→ 回转窑煅烧→ 冷却机冷却熟料→熟料输送→ 熟料库贮存。
4.水泥制成：水泥组分（除熟料外）的破碎、组分配料和粉磨以及水泥均化等环节。
其简要生产流程是：水泥配料库下→ 组分计量配料站→ 输送设备→ 稳流称重仓→ 水泥粉磨系统-水泥库贮存。
5.水泥装运和输出过程：不同水泥经贮库、包装设施或散装设施等生产环节出厂。
其简要生产流程是：
1)袋装水泥水泥库→ 包装机→ 推车或摞包机→ 水泥栈台→ 运输设施出
厂
2)散装水泥散装库→ 散装机→ 散装汽车或散装火车或轮船输出。