RBF神经网络在动物动态称重中的研究

针对动物动态称重数据样本不平稳,真实信号淹没在噪声中导致动物体重难以快速准确测量的问题,通过将RBF神经网络引入到动态称重数据的处理中,结合经验模态分解（EMD）算法处理动态称重数据的对比试验,得出RBF神经网络能有效降低干扰信号影响的结论。EMD算法处理数据的平均相对误差为9.51%,RBF算法处理数据的平均相对误差为5.86%。实验结果表明,RBF算法处理动态称重数据的平均相对误差比EMD算法高了近一倍,证实了RBF算法应用于动物动态称重数据比EMD算法更有效。     

基于CQPSO-GRNN的ZigBee节点定位算法研究

针对传统无线信号传播模型的参数一般通过拟合或直接根据经验得出,且又受环境复杂、多径效应等因素的影响,使得定位精度不高。为提高定位精度,引入广义回归神经网络(GRNN)来构建定位模型,以未知节点和参考节点之间的接收信号强度值(RSSI)作为网络的输入,未知节点的位置坐标(X,Y)作为输出来拟合网络模型。同时采用剔除处理和卡尔曼滤波处理对采集的RSSI值进行预处理,来削弱环境因素对信号的扰动。为避免GRNN参数选取的随意性及人为因素的干扰,采用混沌量子粒子群算法(CQPSO)来优化网络的光滑因子(σ),以建立最优的网络定位模型来实现对未知节点坐标的预测。在Matlab平台上,与GRNN模型相比,其结果显示改进的定位算法具有更高的定位精度,提高了GRNN回归预测效果以及模型的泛化能力。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

基于STM32与GPRS的车载称重系统研究

文章针对目前的车辆称重系统和货车源头治超的现状,介绍了一种基于STM32F107VCT6处理器和GPRS网络的车载称重解决方案,通过GPS装置对车辆位置进行实时定位,利用GPRS网络将车辆的载荷量、位置、速度等车辆信息发送至车辆监控中心。进行了车辆水平静态和动态加载称重试验,经过了径向基神经网络(RBF网络)的验证,并验证了不同环境下GPRS的收发情况。试验结果表明,系统称重精度高,GPS定位信息准,GPRS收发稳定,实用性强,在各种情况下都能够满足当前的车载称重需求。     

称重传感器蠕变补偿的RBF网络模型

称重传感器的蠕变是影响精度的主要因素之一。针对传感器蠕变的实时性与非线性,建立了称重传感器蠕变补偿的RBF网络模型。设计硬件采集电路并采用低功耗处理器对传感器数据进行软件补偿。仿真结果表明,RBF神经网络具有很强的逼近非线性函数和自学习能力,能够对称重传感器的蠕变误差进行修正。补偿后的蠕变误差减小至0.005%以内,补偿效果明显。     

基于动物饲料称量PLC控制技术应用

动物饲料称量是动物饲料各种含量检测前处理阶段一个重要环节,传统机械杠杆称重方法有较大的机械误差,影响称量速度和精度。介绍用PLC控制技术作为动态称量测控设备的支撑核心,这个控制方案在硬件和软件设计中采取相应措施和动态控制方法。满足了在线快速动态重量计量的要求、大大提高了测量数据精度,同时也提高了工作效率。     

基于RBF神经网络的高精度在线激光测厚算法

为进一步提高单CCD双光路激光三角法动态在线测厚系统的测量精度,提出了一种基于RBF神经网络的CCD靶面上光斑位置与被测物厚度之间函数关系的拟合算法。通过理论分析之后,设计了基于RBF神经网络直接拟合CCD靶面上两光斑位置信息与被测物厚度之间关系和现有的最小二乘法拟合三次多项式模型方法进行实验对比,两种方法分别得到了一个网络和一个近似数学模型。通过使用十组标准厚度塞尺在不同位置进行验证实验,发现前者方法计算出的厚度值更加靠近塞尺的客观值。实验结果表明,用RBF神经网络拟合两个光斑坐标和被测物厚度之间的关系,成功地提高了现有系统精度,鲁棒性好,时间复杂度尚可。     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

一种基于免疫系统的RBF网络在线训练方法

 针对径向基函数(RBF)网络和免疫系统的相似性,本文提出了一种基于免疫模型的RBF网络在线学习方法以解决动态问题.该方法借鉴了免疫系统动态调整以对抗不断入侵的抗原的机制,通过免疫初步覆盖、免疫交叉响应和疫苗注射等免疫操作,加速算法效率、提高算法精度和动态性能.通过以上操作使得RBF网络能够根据样本的变化迅速地调整网络结构与参数.计算机仿真研究表明,采用这种方法设计的RBF网络在动态环境下具有优良的精度和泛化能力.     

一种简单的称重控制算法

本文对定量称重控制过程中产生的称重误差进行了分析，提出了用预估干扰补偿来减少称量误差的简单控制算法．实际应用表明：采用这种方法可使称量结果达到设定值，减少称重误差．     

微波辐射计反演大气折射率剖面技术研究

温度变化引起的干空气和水汽对23.8GHz和31.65GHz双通道微波辐射计的观测亮温变化的贡献表明,干空气对观测亮温的变化可以忽略。在此基础上,提出了将折射率的干项和湿项分别反演的方法,并且将径向基神经网络(RBF网络)方法应用于折射率剖面反演中。基于青岛历史探空数据和实验数据,对线性回归、非线性回归和Hopfield模型反演折射率干项剖面的精度进行了比较,并对利用线性回归、非线性回归、BP网络和RBF网络方法反演折射率湿项剖面的精度进行分析,结果表明:反演折射率干项和湿项剖面分别采用线性回归方法和RBF网络方法可提高反演精度。     

不断轨塞入式称重系统在铁水罐液位检测中的研究应用

本文简单叙述了一项铁水液位检测技术,它应用了不断轨塞入式称重系统,对测量目标进行不间断称重,将计量数据作为检测数据基础,依靠自动控制系统作为辅助,实现高炉铁水向罐内加注过程的动态液面检测,解决了限制炼铁与炼钢工艺工效的瓶颈问题,是称量技术在工业生产中的应用创新.     

基于ARIMA和RBF网络组合预测的惯性器件故障预报

提出了一种基于ARIMA和RBF网络进行组合预测的方法,该方法综合运用ARIMA良好的线性拟合能力和RBF网络强大的非线性映射功能,将两种预测模型有机地组合在一起,综合各自优点,以期有效改善模型的拟合能力,获得最优预测效果。论文将该方法应用于某飞行器惯性器件的故障预报当中并进行了仿真实验。结果表明,这种方法相对于单项模型的预测具有更高的精度,对于复杂时间序列的分析和预测有很好的应用价值,在故障预报中具有广泛的应用前景。     

电子秤称重仪表及传感器附属电路维修研究

电子秤称重仪表相比于机械秤具有称量快速、显示直观、不易磨损等众多优势,,其应用也越来越普遍,已逐渐取代机械秤。本文结合实际,首先对电子秤称重仪表结构及其称重原理进行了阐述,然后对电子秤称重仪表及传感器附属电路维修方法进行了探讨。     

基于SVM-DDA改进RBF网络的LED焊点检测方法

为了提高LED灯带生产中焊点类型被自动地识别的精度,提出了基于SVM-DDA的改进RBF网络的检测方法。它首先使用动态衰减算法(DDA)确定SVM的结构及参数,然后利用SVM与RBF网络的近似性,根据SVM确定RBF网络的结构及初始化参数。实验结果表明,该方法减少了训练的迭代次数,提高了焊点识别的准确率,并且对于样本较少的类别也有较理想的分类结果。     

广义回归神经网络的改进及在预测控制中的应用

针对广义回归网络的模式层单元数目与样本数量成正比的问题,提出了基于相似度衡量的模糊均值聚类的样本精简方法.针对广义回归网络在时变环境下难以确定平滑因子,自适应能力弱的缺点,提出了一种基于贡献率的选择优化方案.仿真结果表明,改进后的GRNN有较快的处理速度和较强的自适应能力,能够在实际应用中很好地辨识较为复杂的非线性时变系统.     

一种新型双权值人工神经元网络的数据拟合研究

在本文中提出了一种针对新型双权值神经元网络的数据拟合算法.采用这种新型网络结构和算法,可以克服传统的通用前馈网络中BP算法易陷入局部极小的问题.通过实验比较证明在相同的网络规模下,采用这种新型网络结构和算法可以取得比径向基(RBF)网络更高的拟合精度和更少的迭代次数.     

基于RBF网络的照明定量计算应用研究

介绍RBF神经网络的基本理论、特点以及怎样选择样本、处理数据和训练网络的过程,利用RBF神经网络对照明定量计算数据进行存储和非线性拟合,通过测试样本进行仿真实验,对查询的输入数据产生合理输出结果,减少了重复计算、方便了查阅大量数据表格,实际的工程使用表明该方法简便且行之有效。     

基于自适应RBFN阵列的说话人识别

提出一种可用于说话人识别的自适应RBFN阵列。RBF网设计的核心在于确定网络中心的数目及位置，该自适应算法有效地融合了IOC与ROLS算法的优点，不仅能动态调节RBF网的隐节点数，还能使网络的数据中心自适应变化，很好地优化了网络的结构。用与文本无关的闭集说话人识别系统对该算法进行了验证，实验结果表明，该方法与传统的RBF算法相比，自适应RBF网具有较好的鲁棒性以及精简的网络结构等优点。     

径向基网络在编码器误差补偿中的应用

利用神经网络进行光电轴角编码器的误差补偿,是一种新的编码器误差修正技术。在利用径向基函数网络(RBF)建立非线性模型对编码器的长周期误差进行修正时,实验数据中的随机噪声会造成过拟合现象的产生,影响模型的补偿效果。针对RBF网络的过拟合现象,分别采用滑动平均法与异常点剔除法对实验数据进行预处理以减小随机噪声的影响。实验表明,使用径向基神经网络进行误差补差可以将编码器的系统精度提高至3倍以上,在此基础上对建模数据进行预处理,可以进一步优化网络性能,使得编码器的系统精度在原有基础上得到进一步的改善,验证了方法的有效性。