RBF-VSG姚凤军论文复现问题

Question

博主您好，我看了您发布的RBF调J惯量的博客，在复现过程中有一些问题，想有偿问问：请问怎么调节RBF参数，可以使J的变化曲线变平滑，故障时变化不这么陡？我按照论文设置激活函数，他的J最大值只达到了设置J最大值的一半，可能是因为什么呢？和归一化有关系吗
工况：
J范围设置0.015~0.07；在0.5s，Pref变大，在1s，P还原
结果图片与问题：
图片是我目前调的输出惯量的变化情况，问题是稳定的时候J的值不在最小值0.015，而是大幅波动；故障后稳定的时候输出达到了最大值0.07

Answer 1

下午好🌅🌅🌅
本答案参考ChatGPT-3.5

关于RBF-VSG模型中调整RBF参数以使J的变化曲线更平滑以及处理输出惯量波动的问题，你可以尝试以下步骤：

1. 理解论文设置：

   • 确保你已经正确理解了论文中关于RBF网络（Radial Basis Function Network）参数的描述，包括激活函数、中心点（w）的数量和权重（C）的选择。

2. 调整RBF参数：

   • 中心点（w）数量：增加中心点可以提供更平滑的响应，但可能会增加计算复杂度。试着逐渐增加中心点数目，观察对结果的影响。
   • 权重（C）：C值越大，决策边界越平滑。你可以尝试降低C值来减少波动，但注意过小可能导致欠拟合。
   • 径向基函数（RBF）类型：论文中提到的可能是高斯函数，你可以尝试改变函数类型或参数，如选择不同的核函数（如多项式、指数等）。

3. 归一化：

   • 输入数据的归一化可以影响模型的性能。确保你的输入数据已经被正确地标准化，特别是 Pref 变化区间。如果 Pref 是关键输入，确保它在训练和测试阶段的尺度一致。

4. 训练过程：

   • 优化训练过程，确保足够的迭代次数和合适的学习率。有时，训练不足可能导致模型性能不佳。
   • 使用适当的正则化策略，防止过拟合。

5. 故障模拟：

   • 在故障情况下，可能需要调整预设的故障模式，使其更接近实际情况，以便模型能更好地适应。

6. 结果分析：

   • 分析模型在不同阶段的输出，查看是否有其他异常或不合理的地方。可能需要调整故障发生的时间点或幅度。

由于这是一个理论问题，没有具体的代码可以提供。建议你在调试过程中使用 Python 的 scipy.optimize 或 sklearn.neural_network 中的 RBF 网络实现，并逐步调整参数以达到期望的效果。如果你仍然无法解决，可能需要寻求专业的机器学习顾问或作者的帮助。