基于免疫RBF网络的轨道衡称重误差补偿方法研究

为解决轨道衡称重时非线性误差大、误差补偿较难实现的缺点,提出一种基于免疫RBF网络的轨道衡误差补偿实现方法。通过分析轨道衡称重误差的来源,建立了轨道衡的实际称重模型;针对传统RBF网络学习策略存在的不足,提出了基于免疫机制的三级RBF网络学习方法,通过免疫三级算法训练的RBF网络,在轨道衡误差补偿仿真实验中实现了良好的误差补偿效果,与普遍使用的加权融合误差补偿方法相比,免疫RBF网络补偿误差减小了约92%,具有明显优越性。     

MEMS陀螺零偏误差补偿方法研究

在高动态、恶劣温度环境下,MEMS陀螺仪零偏不仅受温度变化的影响,同时还受线、角运动等影响,其真实误差是所有因素耦合的结果。针对MEMS陀螺零偏温度和转速非线性耦合误差补偿问题,根据径向基(RBF)神经网络原理,提出了一种新的零偏误差补偿方法,并利用一种隐式结构MIMU对补偿效果进行比较,验证了采用RBF神经网络对低精度MEMS陀螺零偏误差补偿的有效性。     

基于RBF神经网络的热敏电阻温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,本文提出了应用RBF神经网络强非线性逼近能力进行非线性补偿的方法。文中介绍了非线性补偿的原理和网络训练方法。该方法不依赖于传感器的模型,而是根据传感器的输入和响应数据,建立补偿模型。结果表明,这种非线性补偿模型具有误差小、精度高、可在线标定、鲁棒性强,与基于BP神经网络的非线性补偿模型相比,网络训练时间短等优点,从而方便了热敏电阻温度传感器在测控系统中的应用。     

RBF神经网络算法的非线性积分滑模控制机械臂运动轨迹误差研究

机械臂运动轨迹容易受到外界不确定因素的干扰,导致运动轨迹跟踪误差较大,振动现象较为严重,不能很好地满足机械臂的准确定位.建立了双关节机械臂模型简图,采用RBF(径向基函数)神经网络算法非线性积分滑模控制机械臂的运动轨迹.分析了RBF神经网络算法结构,推导了RBF神经网络算法非线性积分滑模控制方程式和在线补偿法则,引用李雅普诺夫函数证明机械臂控制系统的稳定性.采用Matlab软件对双关节机械臂运动轨迹跟踪误差进行仿真,并与PID控制系统的跟踪误差进行对比和分析.仿真误差曲线显示,机械臂运动轨迹在受到外界干扰因素的影响时,采用RBF神经网络算法非线性积分滑模控制方法,不仅跟踪误差较小,而且输入转矩波动幅度较小.机械臂末端采用RBF神经网络算法非线性积分滑模控制方法,提高了机械臂的定位精度,降低了抖动幅度.     

压力传感器温度漂移补偿的RBF网络模型

压力传感器在实际应用中普遍存在着温度漂移现象,这降低了传感器的测量精度,因此需要采取适当的补偿措施对传感器的温度附加误差进行修正,从而提高测量的准确性.本文针对在压力传感器电路中采用温度硬件补偿措施成本较高且精度不高的情况,建立了RBF网络软件补偿模型.RBF网络具有良好的非线性映射能力和泛化能力,采用带遗忘因子的梯度下降算法进行RBF网络的参数调整,实验表明RBF算法学习速度快,精度高.对实验中采集的数据进行非线性补偿,取得了良好的效果,大大提高了压力传感器的性能和测量精度.     

基于FOA优化SOM-RBF的压力传感器温度补偿研究

硅压阻式差压传感器受硅片和封装介质温度特性的影响,温变时,传感器输出呈现明显的非线性。文中提出一种全新温度补偿方法,采用基本RBF网络确定网络隐含层节点数,建立自适应SOM网络得到RBF网络中心值,采用FOA对RBF网络扩展参数进行寻优得到最终优化RBF网络,最后将测试数据输入网络得到补偿输出。结果表明:补偿精度随着RBF网络的优化逐步提升,补偿后平均最大相对误差精度为9.642 7×10-4,相对均方误差精度为2.476 2×10-7。模型输出结果验证了算法用于硅压力传感器温度补偿的有效性,抑制了温度对传感器输出的影响。     

某新型电液伺服系统神经网络自抗扰控制

针对某新型同源平衡及定位电液伺服系统,设计了一种基于RBF神经网络在线整定ESO参数的神经网络自抗扰控制器(NNADRC)。利用RBF神经网络在线整定可调误差校正增益,实现非线性特性的实时、精确估计和补偿。数值仿真结果表明,NNADRC控制的稳态精度明显高于ADRC控制,且对外部负载扰动和内部参数摄动具有良好的鲁棒性,可以实现电液伺服系统的快速、平稳、高精度、无超调稳定控制。     

基于RBF神经网络的数字闭环光纤陀螺温度误差补偿

为了消除数字闭环光纤陀螺温度误差,设计了基于径向基函数（RBF）神经网络的温度误差补偿方案,对该方案所采用的标度因数误差模型和偏置误差模型进行了研究。首先,根据光纤陀螺的温度误差分布情况设计了标度因数误差和偏置误差联合补偿的方案。接着,将基于多尺度分析的噪声和趋势项分离算法应用于建模数据预处理,以提高建模数据准确性。然后,建立了RBF神经网络模型,并改进模型的学习方法以防止网络的过拟合。最后,讨论了模型输入向量对神经网络规模的影响。温度补偿的结果表明：标度因数误差模型的残差均方（RMS）达到0.73 ,偏置误差模型的RMS达到0.051 。该建模方法可以满足中、高精度光纤陀螺实时温度补偿的要求。     

基于RBF神经网络的关节转角误差补偿

关节转角误差对关节臂式坐标测量机的精度有非常重要的影响,影响关节转角误差的因素众多,难以用准确的数学模型来描述,为此提出一种采用三坐标测量机标定关节转角误差、基于径向基函数(Radial basis function,RBF)神经网络进行关节转角误差补偿的方法。应用该方法对关节臂式坐标测量机6个关节的转角误差进行离散标定,标定数据训练各关节的RBF神经网络,使用经过训练的RBF神经网络分别对6个关节进行转角误差补偿。试验结果表明经过补偿后关节转角精度提高了约两个数量级,基于RBF神经网络的补偿效果优于正弦函数补偿模型,且其适用范围更广,具有很强的工程应用价值。     

基于LMI和扰动观测器的电动伺服系统RBF神经网络控制

为了提高电动伺服系统的加载力跟踪精度,基于线性矩阵不等式(LMI)设计扰动观测器和控制器。针对系统中的非线性因素,采用RBF神经网络逼近系统的数学模型;在建立系统跟踪目标模型的基础上,根据LMI设计扰动观测器对控制器进行多余力的补偿,利用李雅普诺夫函数证明扰动观测器和控制器的收敛;在MATLAB/Simulink中搭建仿真模型,分析扰动观测器和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与PID控制相比较,证明所提控制策略的控制性能更优。     

基于强化学习的机器人操作手轨迹规划方法研究

由于机器人操作手具有高度非线性、强耦合和变结构的动态特性,因此,利用传统控制理论很难实现对机器人操作手的有效控制.文章对基于径向基函数网络的强化学习在机器人操作手的多智能体环境中的轨迹规划进行了研究.仿真实验结果证明了研究方法的可行性.     

一种通用的RBF网络非线性动态系统逆控制

针对任意复杂非线性系统,提出一种通用的RBF网络动态系统逆控制方案,并提出了一种通过对聚类半径进行“粗调”和“细调”的最近邻聚类学习算法,利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络动态逆控制与PID控制相结合的在线自学习控制策略。仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好。     

基于RBF通过样件外形反求天线罩模具复杂曲面的方法

通过天线罩样件的外形数据,结合天线罩制造过程中的变形数据,反求天线罩模具复杂曲面.RBF神经网络具有很强的非线性逼近能力,模具曲面的重构精度高并且网络训练速度快.将RBF网络输出数据输入到CITIA的数字曲面编辑器对模具曲面进行造型,该方法具有很高的实用推广价值.     

基于最小二乘支持向量机的N型热电偶非线性校正及应用

本文针对具有小样本数据的N型热电偶在应用中存在的问题，提出了一种基于最小二乘支持向量机对热电偶进行非线性校正的方法，并与以往采用的BP网络、RBF网络和ANFIS校正方法进行了比较。结果表明，采用最小二乘支持向量机的校正精度高于以上3种校正方法；同时以阳极焙烧过程中料箱温度为对象进行了仿真和实际应用研究，取得了满意的结果。     

基于小波能量和RBF网络的钢水下渣自动检测

由于采用振动监测的方法进行钢水连铸下渣检测时,通常在整个频段上很难获得钢水下渣这一突变信号。提出了一种基于小波能量和RBF神经网络相结合的钢水连铸下渣的自动检测方法。首先,利用小波包分析的高时频分辨特性将振动信号分解到各个频带上,并以各频带信号的能量来构造用于下渣检测的特征参数。然后,利用RBF神经网络实现正常浇铸和下渣信号的自动识别。实验表明,该方法可有效地进行下渣的自动检测。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,利用小波分析对其建立频域特征向量,准确地提取了故障的特征信息,结合RBF神经网络训练速度快的优点,将RBF神经网络应用于轴承故障特征的选择,并利用所确定的特征及RBF分类器进行故障诊断。实验结果表明,该方法可实现滚动轴承故障的可靠诊断。     

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数.仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性.     

基于DPCA-RBF网络的工业流化床乙烯气相聚合过程的软测量研究

工业流化床乙烯气相聚合反应是一个复杂的生产过程,具有高维、非线性、动态性和强噪声特点,质量变量难以直接测量。为解决关键质量变量在线软测量问题,首先采用动态主元分析(DPCA)的方法对过程变量提取主元,消除了过程变量之间的相关性、噪声并体现了建模数据的动态特性;其次对提取出的主元变量采用径向基函数网络(RBF)建模的方法,建立主元变量和质量变量之间的网络结构。对纯函数数据以及工业现场数据分别进行PCA-RBF模型及DPCA-RBF模型的仿真研究,研究结果表明,当建模数据存在非线性、动态性、噪声以及相关性等特性时,DPCA-RBF建模方法比PCA-RBF及单纯的RBF建模方法更优越。因此,DPCA-RBF建模方法较适合运用在工业实时变量的软测量中。