论文部分内容阅读
在神经网络辨识大迟延对象时，模型类中迟延时间多是根据经验估测的，而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题，将基于正交最小二乘（OLS）算法的径向基（RBF）神经网络和粒子群优化（PSO）算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明，在RBF神经网络对大迟延对象进行辫识时，通过PSO算法进一步确定其最佳迟延时间，从而得到更精确的模型并提高辨识效率，可以取得良好的效果。