动态RBF神经网络在板形板厚控制仿真中的应用

"这篇文章是2007年发表在智能系统学报上的一篇工程技术论文，主要探讨了基于动态RBF神经网络的板形板厚综合控制仿真研究。作者为张秀玲和张志强，他们来自燕山大学电气工程学院。文章介绍了如何利用RBF神经网络的特点动态调整隐含层节点的数量，以及通过广义逆矩阵法优化输出层权重，以提高学习训练速度并构建板形板厚控制的数学模型。" 在神经网络领域，径向基函数（Radial Basis Function, RBF）网络是一种广泛应用的前馈神经网络模型，因其在非线性映射和函数逼近中的高效性能而备受青睐。本文提出的动态RBF神经网络方法，针对传统RBF网络的固定隐层节点数可能带来的局限性，提出了两步优化策略： 第一步，根据网络输出数据的均方误差（Mean Squared Error, MSE）及其变化率，动态调整隐含层的节点数。这种策略能够根据任务需求和数据特性自适应地增减节点，避免了过拟合或欠拟合的问题，提升了网络的泛化能力。 第二步，对优化后的隐层节点中心值进行调整。这一步旨在进一步优化网络的结构和性能，确保每个隐层节点能有效地捕获输入空间的关键特征。通过使用广义逆矩阵计算输出层权重，可以更有效地解决逆矩阵可能存在病态或奇异的问题，提高网络的稳定性和计算效率。 在板形板厚控制问题中，这种动态RBF网络模型被用于建立数学模型，该模型可以更好地处理复杂的控制任务，如控制轧机的板形和厚度。控制仿真是检验控制策略有效性的常用手段，通过动态RBF神经网络的仿真，研究者能够观察和分析控制系统的性能，从而得到理想的结果。 关键词如“RBF网络”、“动态设计”和“逆矩阵”揭示了研究的核心内容，表明该论文关注的是RBF神经网络在动态环境下的优化设计，以及这些技术在板形板厚控制中的应用。此外，“板形板厚综合控制”是冶金和机械工程中的关键问题，涉及到材料加工过程中的精度和质量控制。 这篇论文为RBF神经网络在工业控制领域的应用提供了新的思路，其动态调整策略对于提高控制系统的性能和适应性具有重要意义，对于后续的工业自动化和智能控制研究具有参考价值。