一种基于RBF神经网络的数字模式识别方法

本文以 RBF网络作为识别模型 ,采用竞争算法 ,提出了一种基于 RBF网络的数字识别方法 ,仿真结果表明此方法具有识别率高 ,识别速度快的优点 ,具有广阔的应用推广价值。     

基于小波包能量谱-神经网络的液压泵故障诊断

针对利用振动信号进行液压齿轮泵故障诊断，介绍了振动信号的小波包能量谱分析，指出了振动信号的小波包能量谱分析可以进行齿轮泵故障模式的识别，研究了利用RBF网络对振动信号的小渡包能量谱进行模式学习和识别的方法，并建立了相应的RBF网络。试验表明小波包能量谱分析一RBF网络方法可对液压齿轮泵的常见故障进行识别和诊断。     

基于改进的RBF神经网络的滚动轴承故障诊断

该文阐述了径向基函数(radial basis function,RBF)神经网络的基本原理和算法,并针对RBF神经网络存在的隐含层的隐层单元数目及中心向量、扩展参数难以确定的问题,利用减聚类算法进行RBF网络的改进,建立应用于滚动轴承故障诊断与识别的RBF神经网络智能识别模型,并通过实验与BP(back propagation)神经网络进行比较分析研究。结果表明,减聚类算法能够有效地确定网络参数,改进的RBF神经网络对预设滚动轴承故障能够准确诊断,并且具有训练速度快的特点。     

基于RBF神经网络的柴油机燃油喷射系统的故障诊断

以RBF网络为识别模型,对柴油机燃油喷射系统的故障进行训练,并应用于待识别故障样本的识别仿真,结果表明,基于RBF的故障诊断方法优于基于BP网络故障诊断,在柴油机燃油喷射系统故障诊断中是行之有效的方法.     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于KPCA和RBF网络的电子鼻气体识别

提出了将KPCA特征提取和RBF网络识别相结合的气体检测方法,设计了一种用于气体实时检测的电子鼻系统,探讨了核主成分分析(KPCA)和RBF神经网络相结合进行气体识别的可行性.将传感器阵列的动态检测方法应用到电子鼻系统中,对甲苯、乙酸酐、乙醚、丙酮4种气体进行检测,针对响应信息的非线性变化利用KPCA进行特征提取,并作为RBF网络的输入,检测系统重复性和稳定性好,识别率可达87.5%.     

基于多尺度信息熵特征和RBF神经网络的气液两相流流型识别方法

根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出一种基于小波包多尺度信息熵的流型识别方法。该方法首先对采集到的压差波动信号进行4层小波包分解，在通频范围内得到分布在不同频段内的分解信号，进而建立流型的多尺度信息熵特征向量。并以此特征向量作流型样本对RBF神经网络进行训练，实现流型的智能化识别。试验结果表明，训练成功的RBF网络能很好地识别水平管内的4种流型，为流型识别开辟了一条新的途径。     

基于RBF神经网络的液压系统模糊故障诊断研究

提出了将RBF神经网络运用于液压系统模糊故障诊断的方法,针对该网络不能识别新状态类型的缺陷,应用一种基于置信度的判别原则.通过实例对该网络的性能进行测试,并且与BP网络的识别结果进行对比,发现该网络能取得更好的效果,并具备识别新的状态类型.     

三角剖分以及径向基函数神经网络在星图识别中的应用

根据经典径向基函数(RBF)神经网络的优势,结合星图模式样本集的特点,设计了一种适合星图模式样本的网络训练算法.从提取星图模式入手,引入三角剖分理论,将可能出现在同一视场内的恒星以三角形的形式连接起来,提取连接的角距作为星图模式,建立了具有完备性、平移旋转不变性的星图模式样本集.然后,利用RBF神经网络做星图识别,研究顺序训练方法和批量训练方法,总结多种经典算法的优缺点,并设计了一种训练方法.通过实验证明了该种方法较其他经典算法更为适合学习星图模式样本.最后,给出RBF神经网络相关的训练数据,并通过模拟星图软件获得若干模拟星图作为观测样本,利用已经训练好的神经网络进行识别.试验结果表明,测试网络能够正确识别这些星图.     

RBF神经网络在旋转机械故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度.讨论了RBF神经网络在旋转_初械故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率.     

基于ART与RBF网络的混合网络模型设计

为了解决自适应共振理论(adaptive resonance theory,ART)网络对新的输入样本处理能力差,网络记忆能力差,径向基(radial basis function,RBF)网络选择径向基函数,确定隐节点数目困难的问题,设计了一种基于ART与RBF网络的混合网络模型。将ART网络的特点引入到RBF网络中,通过ART网络的识别与比较功能快速确定RBF网络最少的隐节点数目,同时通过ART理论中警戒门限的检验在线确定是否合并或删除隐节点。并且引入了异常数据修正方法和模糊预处理方法。通过MATLAB神经网络工具箱,对该混合网络进行仿真试验。结果表明:该方法能够有效地减少隐含在数据中的随机性,加快神经网络收敛速度,提高神经网络的建模精度。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于神经网络的视觉伺服机器人摄像机标定

采用可调节点径向基函数神经网络实现视觉伺服机器人摄像机标定.首先将基于leave-one-out准则的orthogonal forward selection算法扩展到多入多出的RBF网络,建立摄像机标定的RBF网络模型.通过应用卡内基-梅隆大学标定图像实验室提供的标定数据进行仿真试验,验证此方法的有效性.由于OFS-LOO算法可构造出具有稀疏隐层节点的RBF网络,使网络具有较好的泛化推广能力,同时RBF网络为局部逼近网络,因此,此标定方法具有较高的标定精度和较强的标定实时性,适用于视觉伺服的摄像机标定.     

RBF网络在实时在线检测系统中的应用

采用RBF网络完成系统的实时在线检测。首先应用传统的RBF方法完成定量检测，然后针对神经网络结构优化这个难点，提出应用改进的Gram—Schmidt方法优化RBF网络结构，结果表明：能极大地简化网络结构，提高收敛速度，为神经网络在实时在线检测中的应用提供可能。     

基于小波神经网络的热拌沥青混合料离析率研究

针对转运车模型实验中热拌沥青混合料离析问题,建立了一个研究转运车中沥青混合料离析状况的径向基函数(RBF)小波神经网络模型.通过仿真,证明了该网络模型在非线性逼近时较 RBF 收敛速度快.实验结果表明,拾取转运车的位置参数和转速作为网络的输入向量,能有效地识别沥青混合料的离析率.     

基于RBF神经网络的红外二氧化碳传感器数学模型

介绍了红外二氧化碳传感机理和 RBF(Redial Basic Function)神经网络 ,并将带遗忘因子的梯度下降法应用于 RBF神经网络的参数调整。利用 RBF网络良好的非线性映射能力以及学习、泛化能力 ,通过采用高精度样本数据训练 RBF网络 ,最终建立起了基于 RBF神经网络的红外二氧化碳传感器数学模型。实验结果表明 ,该模型具有较高的精度。     

基于局部样条函数神经元网络辨识研究和实现

概述了RBF神经元网络的结构特点，并详细分析了局部样条函数神经元网络的结构。同时进行计算机模拟实验，还对RBF网络和CNLS网络的函数拟合能力比较，证明CNLS网络是实用和有效的。     

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。     

基于功率谱分析和RBF网络的表面EMG多模式分类

提出了一种以功率谱K值法和RBF网络相结合的表面肌电信号处理方法.首先,将采集到的肌电信号进行预处理,计算互功率谱比值作为其特征值;其次,将其特征值作为训练样本输入RBF神经网络进行网络训练,并对手臂的各种动作进行多运动模式分类.实验表明,这种方法不仅简化了计算工作量,而且取得了比较理想的识别效果.     

基于神经网络的三自由度摇摆台运动学反解

针对传统的数值解法不能满足实时控制算法的要求，研究使用BP网络和径向基函数（RBF）神经网络求解三自由度摇摆台运动学反解的方法。通过离线的迭代算法生成高精度的样本点来训练神经网络，使用动量法、变学习率法和共轭梯度法提高BP网络的收敛速度。使用正交最小二乘法训练的RBF网络具有更小的泛化误差，更适合于实时控制应用。