新型RBF神经网络模型：改进与水轮机应用

"对RBF神经网络的改进及应用 (2006年)，何廷霖，魏德华，回新志，河北工程大学水电学院" 这篇文章探讨了如何改进传统的径向基函数（RBF）神经网络以提高其收敛速度、网络精度，以满足实际应用中的更高要求。作者提出了一种新的线性-非线性并列结构的RBF神经网络模型，并将其应用于水轮机数字协联模型的建立。通过实例分析，证明了这种改进的模型在拟合协联关系时能够提升精度，从而获得更好的效果。 RBF神经网络是一种基于函数逼近理论的前向网络，其隐层神经元使用类似于高斯函数的径向基函数，这使得网络具备强大的非线性映射能力。相比反向传播（BP）网络，RBF网络在逼近能力和学习速度上有优势，常用于函数拟合、模式识别和分类任务。尽管有多种优化径向基函数中心和宽度的方法，如动态调整和自适应学习因子，但这些方法并未能显著提高网络的收敛速度。 针对这一问题，文章提出从改进网络结构的角度出发，设计了一个新的RBF网络结构。这种结构结合了线性和非线性处理，旨在提升收敛速度和网络精度。网络由输入层、隐藏层和输出层构成，隐藏层使用非线性的径向基函数，而输出层则采用线性函数。高斯函数作为典型的径向基函数，其输出对输入信号的响应在靠近基函数中心时显著，体现了网络的局部逼近特性。 在实际应用中，作者将改进后的RBF神经网络应用于水轮机数字协联模型的建立。水轮机数字协联模型是水电系统控制中的关键，通过模型可以预测水轮机的运行状态。实验证明，改进的RBF网络在拟合协联关系时表现出更高的精度，为水轮机控制提供了更准确的数据基础。 该研究不仅提出了一个改进的RBF神经网络模型，还展示了其在水轮机控制领域的潜在应用价值。这种改进的网络结构有望被拓展到其他需要高效非线性建模的领域，进一步提升相关应用的性能。