RBF神经网络在传感器故障诊断中的应用研究

针对传感器在自动化系统中的重要性，指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点，阐述了RBF神经网络的基本理论和优点，提出了一种基于RBF神经网络用于传感器故障诊断的思路和方法。     

粒子群RBF神经网络电力电子电路故障诊断

为检测和诊断电力电子电路中的故障,获得更高的诊断精确度,提出粒子群算法优化RBF神经网络的故障诊断方法.与基本RBF神经网络相比,粒子群RBF神经网络可以提高系统的收敛速度和精度.把通过特征提取获得的电力电子电路故障特征量作为神经网络的输入,利用训练好的粒子群优化后的RBF神经网络进行故障诊断.仿真结果表明,实际输出与期望输出基本吻合,具有良好的分类效果,能够提高诊断精确度,对于电力电子电路的故障诊断是一种有效的方法.     

基于LVQ神经网络集成的柴油机气门故障诊断

针对柴油机气门故障的诊断样本少和非线性数据特征等问题,文中提出了一种基于学刁向量量化（LVQ,LearningVectorquantization）神经网络集成的柴油机故障诊断方法,该方法通过使飘LVQ神经两络作为基础学习器．采用Bagging算法对LVQ神经网络分类器进行相对多数投票集成,并用LVQ神经网络．LVQ神经网络集成．BP神经网络和RBF神经网络等方法对柴油机气门故障诊断．对评价结果进行了分析和比较,LVQ神经网络集成对柴油机气门故障诊断的正确率高于其他神经网络,神经网络集成的柴油机气门故障诊断精度高于单个神经网络的精度.     

浅谈RBF神经网络在教师绩效评价中的应用

本文从建立教师绩效评价的意义入手,提出了教师绩效评价标准,探讨并构建了适应于教师绩效评价的指标体系。在比较各种评价模型和算法优缺点的基础上,提出了基于径向基（RBF）神经网络的教师绩效考评价模型,并设计出了系列数据处理算法。通过网络训练、泛化结果分析,表明用RBF神经网络来评价教师综合评价是非常可行的。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

基于SFLA聚类的选择性ELM集成算法

本文提出一种基于SFLA聚类的选择性ELM集成方法。实验结果表明,与集成RBF神经网络模型相比,采用本文方法对模拟电路进行在线故障诊断具有较高的准确性。     

基于RBF神经网络在转炉炼钢终点预报中的应用研究

转炉炼钢控制目标是对终点温度和含碳量进行预测。由于我国转炉炼钢自动化控制水平的限制,特别是动态控制水平不够高,因此需要基于RBF神经网络建立终点预报模型。其基本思路为:基于RBF神经网络局部逼近网络的特性之上,采用k-均值聚类算法确定隐藏层的中心,权值调整采用递推最小二乘法,建立基于RBF神经网络在转炉炼钢终点预报的模型。最后结合实际数据进行模型的仿真研究。结果表明经RBF神经网络预测模型的实时训练,提高了终点预报的精度。     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

基于RBF神经网络的被动声定位算法研究

提出了基于RBF神经网络的被动声定位算法.该算法根据TDOA定位原理,以四元十字阵作为定位模型,利用RBF神经网络较快的学习特性和逼近任意非线性映像的能力,实现对声源的快速准确定位,并与WLS算法、Chan算法、Taylor算法作对比分析.仿真结果表明,该算法定位精度高,鲁棒性好,性能优于其他算法.     

基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。     

基于RBF神经网络美元兑人民币汇率的预测

提出一种基于RBF神经网络的美元兑人民币汇率预测模型,该模型通过对近两年美元兑人民币汇率的历史数据分析,采用了改进的K-均值聚类算法,动态地确定RBF神经网络中心,并采用最小二乘法进行RBF神经网络的权值调整,通过美元兑人民币汇率的预测,结果表明该模型有较好的预测和泛化能力,可以取得好的预测结果。     

RBF神经网络在光通信粗跟踪系统中的应用北大核心

针对无线光通信系统中的非线性与时变不确定性而导致的通信不稳定,提出一种基于径向基函数(RBF)神经网络的PID智能控制策略作为粗跟踪的控制方法。介绍了光电跟瞄系统原理,在建立系统模型框图后引入了RBF神经网络监督控制结构,并通过实验平台验证了该算法的有效性。     

RBF神经网络在定日镜场故障诊断中的应用

针对定日镜场故障与征兆之间的关系特点,介绍了RBF神经网络运用于定日镜场故障诊断的基本方法。利用MATLAB神经网络工具箱建立和训练RBF神经网络,并对网络进行了测试。结果说明RBF神经网络在定日镜场故障诊断中具有较高的准确性和可靠性。     

模糊强化学习在机器人导航中的应用

提出了一种基于自适应模糊RBF神经网络的Q学习算法。在模糊神经网络中引入Q学习,赋予模糊神经系统自学习和自适应能力。详细研究了模糊RBF神经网络的五层结构以及Q学习算法,给出了算法设计的流程图,所提算法对移动机器人在未知环境的自主导航,在未知环境中的自学习和自适应具有重要的应用价值。     

基于改进RBF神经网络的ADPCM语音编码算法研究

以G．721ADPCM语音编码算法为研究对象，在语音编码的预测中引入神经网络模型来克服传统线性滤波方法中存在的不足，研究了基于RBF神经网络的ADPCM语音编码系统的结构。通过k均值聚类算法来确定RBF神经网络的中心和宽度，用最小二乘法确定RBF网络权值的方法改进了ADPCM语音编码算法。实验证明．其平均信噪比较原ADPCM编码算法有1-2dB的提高。     

基于自适应神经网络的组合导航故障诊断技术研究

针对传统组合导航故障诊断算法对系统模型精度要求较高,对非线性组合导航系统处理能力有限的问题,提出了自适应神经网络的SINS/GPS/DVL组合导航系统故障诊断。算法首先对组合导航故障诊断进行数学建模和故障信息提取,然后再采用遗传算法对基于BP神经网络进行故障诊断过程中容易遇到的局部极小值问题和网络结构进行自适应优化处理,有效提高了BP神经网络在进行组合导航故障诊断时的执行速度和效率,同时,也增强了系统故障诊断的准确性和可靠性。仿真试验有效验证了算法的有效性。     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于CPLD和BP算法的模拟电路故障诊断

由于模拟电路故障诊断本身的复杂性,目前已提出了很多相关的理论和算法。文中采用一种理论上比较成熟的人工神经网络BP算法,利用CPLD运算速度快、接口灵活等特点,提出了按层次化的设计方法建立神经网络的硬件模型,构造了基于CPLD的BP神经网络,并在此基础上实现了模拟电路故障诊断算法,相对于传统的故障字典法速度更快、效率更高。     

基于群智能算法优化神经网络的网络安全事件分析

研究一种基于群智能算法优化神经网络的网络安全事件分析模型,使用遗传算法和LMS算法对常规RBF神经网络中的隐含层神经元个数、基函数中心以及各层连接阈值和权值进行优化,得到最优解,从而提高RBF神经网络模型的训练效率和精度,提高基于RBF神经网络的网络安全事件分析效率和准确度。使用KDD CUP99数据集中的网络入侵事件数据对研究的网络安全入侵事件分析模型进行实例研究,测试结果表明,该分析模型相比常规神经网络算法建立的模型具有更高的识别准确率,能够准确识别分析正常事件和四种网络攻击入侵事件。     

基于人工智能的网络运维优化算法研究

基于人工智能的网络运维优化安全优化算法,分析了互联网数据安全优化算法,得出以下结论:在网络安全情况预测中,预测模型基于粒子群优化神经网络径向基函数(Radial Basis Function,RBF),粒子群神经网络算法在信息量较低时运行速度快,高精度有利于粒子群RBF神经网络的快速准确预测。结果表明,通过对粒子群优化前后RBF神经网络的比较,粒子群优化后预测误差的波动可以大大降低。