基于神经网络的船用柴油机故障诊断

给出一种基于径向基函数(RBF)神经网络模型应用于船用柴油机故障诊断的方法，并以6-135ZC柴油机的故障诊断进行模拟计算和验证；结果表明，这种方法识别率很高，是切实可行的。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发，提出了一种基于RBF神经网络学习算法，用于对非线性对象模型的拟合与辩识，并将此方法用于实际非线性模型的学习与辩识。结果表明，基于RBF的神经网络可快速完成对样本的学习与拟合，对具有连续特性的线性与非线性模型，具有快速实时的学习速度和优良的学习性能。     

基于FOA优化GRNN的船用柴油机涡轮增压系统故障诊断

为了及时有效的发现并排除船用柴油机涡轮增压系统的故障,文中采用果蝇优化算法（FOA）对广义回归神经网络（GRNN）的分布密度SPREAD进行优化选取,提出了一种果蝇优化算法和广义回归神经网络相结合的故障诊断新方法。收集某型号船用柴油机的样本集,采用相同的训练样本分别对FOA优化GRNN和RBF神经网络进行训练,并用相同的测试样本对以上两种模型进行验证。结果表明,与RBF神经网络故障诊断方法相比,FOA优化GRNN对柴油机涡轮增压系统故障模式的识别准确率更高。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

船舶柴油机故障诊断仿真系统研究

该文阐述了船舶柴油机故障诊断仿真系统的模型、结构与功能,着重介绍了基于RBF神经网络故障诊断方法。本系统具有结构简单、功能齐全等优点,对开发实船柴油机故障诊断的辅助分析系统和培训轮机员熟悉处理故障有实际意义。     

基于混沌RBF神经网络的汽油机进气流量预测研究

针对汽油机进气流量的多维非线性特性,提出了一种混沌径向基(RBF)神经网络的汽油机进气流量预测模型。证明了汽油机进气流量时间序列具有混沌特性,对采集的原始数据进行相空间重构,利用RBF神经网络对重构后的数据进行训练和预测,并利用混沌算法确定输出层连接权值和隐含层高斯函数径向基中心,使其达到全局最优,加快了RBF神经网络的收敛速度。仿真结果表明,与空气进气流量平均值模型、RBF神经网络预测模型比较,该模型具有更高的预测精度,为精确及时测试汽油机进气流量提供了一种全新的软件测量方法。     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

基于神经网络的电机摩擦力混合模型研究

在电机伺服系统优化建模的研究中,要求高精度伺服系统。由于系统摩擦力具有强非线性和非光滑特性,传统的神经网络无法进行有效辨识。将非线性摩擦特性理解成为由稳态部分和突变部分串联构成,以电机伺服系统为对象,引入柔性sigmoid函数描述非线性摩擦特性中的突变部分,并与传统的RBF神经网络串联,构造出描述非线性摩擦特性的神经网络混合模型。仿真结果表明,与传统的RBF神经网络辨识方法相比,模型在输入变化响应下均具有较高的模型精度,从而验证了建模方法的有效性。     

基于神经网络的气动肌肉迟滞建模比较研究

针对气动肌肉运动过程中产生的迟滞现象，采用神经网络方法对其位移/气压迟滞开展了建模比较研究。首先组建了气动肌肉的迟滞特性测试实验平台，采集其位移/气压迟滞实验数据。然后基于BP神经网络和RBF神经网络分别进行了迟滞环的整体和分段建模，并与经典PI模型的建模效果进行了对比。 研究表明，PI模型的建模精度比神经网络差，但计算时间短，神经网络整体建模时存在过拟合现象，而分段建模则可有效避免过拟合现象，BP神经网络的建模与预测精度均优于RBF神经网络。对于BP神经网络，分段建模的平均误差、均方差和最大误差相较于整体建模分别减小了9.07%、14.54%和24.68%，而采用RBF神经网络，其误差分别减小了8.89%、13.03%和19.49%，可见分段建模的预测精度优于整体建模。     

神经网络在船舶柴油机故障诊断中的应用研究

为进一步改善船舶柴油机故障诊断的精度和实时性,提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,该方法优化了RBF神经网络的隐节点、中心向量及宽度参数,用最小二乘法训练网络隐层到输出层的权值;并在MATLAB环境下对船舶柴油机故障诊断进行仿真实验,自适应遗传算法优化RBF网络的诊断速度快,收敛效果好,诊断精度高,验证了所提出控制策略的合理性和有效性。     

大型低速柴油机装配工艺专家系统的设计

运用专家系统的知识,将人工智能、网络数据库、软件工程等理论与技术应用到低速柴油机装配工艺编制设计中,建立了一个能进行柴油机装配工艺编制和管理的专家系统应用程序基本框架,实现了专家系统的主要功能。     

Radial Basis Function network learning using localized generalization error bound

Training a classifier with good generalization capability is a major issue for pattern classification problems. A novel training objective function for Radial Basis Function (RBF) network using a localized generalization error model (L-GEM) is proposed in this paper. The localized generalization error model provides a generalization error bound for unseen samples located within a neighborhood that contains all training samples. The assumption of the same width for all dimensions of a hidden neuron in L-GEM is relaxed in this work. The parameters of RBF network are selected via minimization of the proposed objective function to minimize its localized generalization error bound. The characteristics of the proposed objective function are compared with those for regularization methods. For weight selection, RBF networks trained by minimizing the proposed objective function consistently outperform RBF networks trained by minimizing the training error, Tikhonov Regularization, Weight Decay or Locality Regularization. The proposed objective function is also applied to select center, width and weight in RBF network simultaneously. RBF networks trained by minimizing the proposed objective function yield better testing accuracies when compared to those that minimizes training error only.     

Hierarchical genetic algorithm based RBF neural networks and application for modelling of the automatic depth control electrohydraulic system

The paper presents an approach to model nonlinear dynamic behaviors of the Automatic Depth Control Electrohydraulic System (ADCES) of a certain minesweeping weapon with Radial Basis Function (RBF) neural networks trained by hierarchical genetic algorithm. In the proposed hierarchical genetic algorithm, the control genes are used to determine the number of hidden units, and the parameter genes are used to identify center parameters of hidden units. In order to speed up convergence of the proposed algorithm, width and weight parameters of RBF neural network are calculated by linear algebra methods. The proposed approach is applied to the modelling of the ADCES, and experimental results clearly indicate that the obtained RBF neural network can emulate complex dynamic characteristics of the ADCES satisfactorily. The comparison results also show that the proposed approach performs better than the traditional clustering-based method.     

基于粗糙集的高速公路交通流神经网络模型

利用粗糙集能够处理模糊、不确定知识和神经网络对非线性函数具有任意逼近能力的优点，提出一种粗糙集和RBF网络集成的动态系统建模算法。并利用这种方法建立具有复杂动态特性和不确定性的高速公路宏观交通流动态模型，仿真结果表明了该方法的有效性。     

改进Smith控制与RBF单神经元PID的换热器控制系统

为了高效控制工质出口温度,维持换热器稳定运行,针对Smith预估控制算法及径向基函数(RBF)神经网络辨识单神经元比例-积分-微分(PID)控制算法特点,提出了Smith控制算法和RBF神经网络辨识单神经元PID相结合的控制策略,对Smith控制算法在结构上进行了改进,以提高RBF神经网络辨识单神经元PID控制的抗干扰能力,减少Smith控制算法对模型的依赖程度.仿真分析表明:应用于换热器工质出口温度控制系统,改进算法控制性能显著优于其它控制方法,抗干扰能力得到了大幅提高.     

Three-dimensional medical image recognition of cancer of the liver by a revised radial basis function (RBF) neural network algorithm

In this study, we propose a revised radial basis function (RBF) neural network algorithm and apply this algorithm to computer-aided diagnosis (CAD) of the liver. First, the revised RBF neural network algorithm is applied to recognition of the liver regions, and the recognition results are compared with those obtained using the conventional RBF neural network and the conventional multilayered neural network trained using the back-propagation algorithm. It is shown that the revised RBF neural network is accurate, and is a useful method because the parameters are automatically determined. Then, the revised RBF neural network is applied to CAD of the liver cancer called hepatocellular carcinoma (HCC).     

Learning algorithm of the revised RBF network and its application to the media art system

In this study, a revised radial basis function (RBF) network is proposed and applied to the identification problems of a nonlinear system and a media art system. In the revised RBF network, the structural parameters such as the means and variances of the radial basis functions in the neurons are determined automatically, and so the revised RBF network can easily be applied to practical complex problems such as the media art system. The media art system outputs art expressions such as sound and graphics using the artificial sensibility surfaces that are identified using the revised RBF network.     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

遗传优化的灰色神经网络模型比较研究

针对灰色系统结合RBF神经网络时算法存在局部最优和收敛性等问题,引入遗传算法来辅助优化灰色神经网络预测模型。利用具有的较强全局搜索能力,且收敛速度快的遗传算法对GM（1,1）模型参数λ进行高效求解,然后融合RBF神经网络和改进的灰色GM（1,1）模型,构成两种不同结构的基于遗传算法的灰色RBF预测模型,一种是灰色RBF补偿预测模型GA-GRBF,另一种是灰色嵌入型GRBF模型。以某智能监控系统采集的风响应时程数据进行仿真分析,结果表明经过遗传算法优化的GRBF模型都要优于单一的GRBF模型,并且GA-GRBF模型建模简单,预测精度高,实用性强。