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
RBF-VSG姚凤军论文复现问题
- 写回答
- 好问题 0 提建议
- 追加酬金
- 关注问题
- 邀请回答
-
17条回答 默认 最新
- Kwan的解忧杂货铺@新空间代码工作室 2024-06-01 17:21关注
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:
-
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。
- 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(
-
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)。
- 中心点(
-
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。
-
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。
-
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。
-
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。解决 无用评论 打赏 举报 编辑记录 -
悬赏问题
- ¥100 对反编译和ai熟悉的开发者。
- ¥15 带序列特征的多输出预测模型
- ¥15 Python 如何安装 distutils模块
- ¥15 关于#网络#的问题:网络是从楼上引一根网线下来,接了2台傻瓜交换机,也更换了ip还是不行
- ¥15 资源泄露软件闪退怎么解决?
- ¥15 CCF-CSP 2023 第三题 解压缩(50%)
- ¥30 comfyui openpose报错
- ¥20 Wpf Datarid单元格闪烁效果的实现
- ¥15 图像分割、图像边缘提取
- ¥15 sqlserver执行存储过程报错