A FEATURE－BASED PRODUCT MODELLING SYSTEM ON PC （CASE STUDY OF PARTS DESIGN FOR PRESS MACHINE）

ＡＦＥＡＴＵＲＥ－ＢＡＳＥＤＰＲＯＤＵＣＴＭＯＤＥＬＬＩＮＧＳＹＳＴＥＭＯＮＰＣ（ＣＡＳＥＳＴＵＤＹＯＦＰＡＲＴＳＤＥＳＩＧＮＦＯＲＰＲＥＳＳＭＡＣＨＩＮＥ）ＹｏｎａｓＨａｇｏｓ；ＴｏｎｇＢｉｎｇｓｈｕＡｂｓｔｒａｃｔ：Ｔｈｉｓａｒｔｉｃｌｅｒｅｐｏ...     

COMPUTER GRAPHIC ASSEMBLY TECHNOLOGY FOR COMPOUND-BODY

ＣＯＭＰＵＴＥＲＧＲＡＰＨＩＣＡＳＳＥＭＢＬＹＴＥＣＨＮＯＬＯＧＹＦＯＲＣＯＭＰＯＵＮＤ－ＢＯＤＹ￥ＳｈａｎｇＪｉａｎｚｈｏｎｇ；ＰａｎＣｕｎｙｕｎ（ＤｅｐａｒｔｍｅｎｔｏｆＰｒｅｃｉｓｉｏｎＭａｃｈｉｎａｒｙａｎｄｉｎｓｔｒｕｍｅｎｔＮａｔｉｏｎａ...     

A COMPUTER MULTIMEDIA BOOK OF MECHANICAL DRAWING

ＡＣＯＭＰＵＴＥＲＭＵＬＴＩＭＥＤＩＡＢＯＯＫＯＦＭＥＣＨＡＮＩＣＡＬＤＲＡＷＩＮＧＺｕｏＺｏｎｇｙｉＦｅｎｇＫａｉｐｉｎｇＡｂｓｔｒａｃｔＴｈｉｓｒｅｐｏｒｔｇｉｖｅｓａｖｉｅｗｏｆａｃｏｍｐｕｔｅｒｍｕｌｔｉｍｅｄｉａｂｏｏｋｏｆｍｅｃｈａｎｉｃ...     

统计数据凑整问题的网络流算法

统计数据凑整问题的网络流算法金大勇，杨承恩（长沙铁道学院）ＮＥＴＷＯＲＫＡＬＧＯＲＩＴＨＭＳＦＯＲＴＨＥＤＡＴＡＲＯＵＮＤＩＮＧＰＲＯＢＬＥＭ￥ＪｉｎＤａ－ｙｏｎｇ；ＹａｎｇＣｈｅｎｇ－ｅｎ（ＣｈａｎｇｓｈａＲａｉｌｗａｙＩｎｓｔｉｔｕｔｅ）Ａｂｓｔ...     

INTERFERENCE CHECKING IN COMPUTER-AIDED PLANT DESIGN SYSTEM

ＩＮＴＥＲＦＥＲＥＮＣＥＣＨＥＣＫＩＮＧＩＮＣＯＭＰＵＴＥＲ－ＡＩＤＥＤＰＬＡＮＴＤＥＳＩＧＮＳＹＳＴＥＭＷａｎｇＦｅｎｇＺｈａｏＨｏｎｇＮｉｕＪｕｎｙｕＡｂｓｔｒａｃｔＩｎｔｈｉｓｐａｐｅｒ，ｔｈｅｉｎｔｅｒｆｅｒｅｎｃｅｃｈｅｃｋｉｎｇｏｆｔｈｒ...     

扁球壳的边界元分析的一种简便方法

扁球壳的边界元分析的一种简便方法龙述尧，蒯行成，李家宝，陈军（湖南大学）ＡＣＯＮＣＩＳＥＭＥＴＨＯＤＯＦＢＯＵＮＤＡＲＹＥＬＥＭＥＮＴＡＮＡＬＹＳＩＳＦＯＲＳＨＡＬＬＯＷＳＰＨＥＲＩＣＡＬＳＨＥＬＬＳ￥ＬｏｎｇＳｈｕ－ｙａｏ；ＫｕａｉＸｉｎｇ－ｃｈｅ...     

Navier－Stokes方程模拟湍流非对称脱体涡流动

Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ方程模拟湍流非对称脱体涡流动蔡晋生，罗时钧（西北工业大学）ＮＡＶＩＥＲ－ＳＴＯＫＥＳＳＯＬＵＴＩＯＮＳＦＯＲＡＳＹＭＭＥＴＲＩＣＴＵＲＢＵＬＥＮＴＶＯＲＴＩＣＡＬＦＬＯＷＳ￥ＣａｉＪｉｎｓｈｅｎｇ；ＬｕｏＳｈｉｊｕｎ（Ｎｏｒ...     

运输问题的Alphabeta算法的分析

运输问题的Ａｌｐｈａｂｅｔａ算法的分析刘诚，杨承恩（长沙铁道学院）ＡＮＡＮＡＬＹＳＩＳＯＦＴＨＥＡＬＰＨＡＢＥＴＡＡＬＧＯＲＩＴＨＭＦＯＲＴＨＥＴＲＡＮＳＰＯＲＴＡＴＩＯＮＰＲＯＢＬＥＭ￥ＬｉｕＣｈｅｎｇ；ＹａｎｇＣｈｅｎｇ－ｅｎ（ＲｅｓｅａｒｃｈＤ...     

容错型令牌总线网性能估计算法

容错型令牌总线网性能估计算法李忠勇，李人厚（西安交通大学自动化系西安７１００４９）ＡＰＥＲＦＯＲＭＡＮＣＥＥＶＡＬＵＡＴＩＯＮＡＬＧＯＲＩＴＨＭＯＦＦＡＵＬＴ－ＴＯＬＥＲＡＮＴＴＯＫＥＮＢＵＳＮＥＴＷＯＲＫ￥ＬｉＺｈｏｎｇｙｏｎｇａｎｄＬｉＲｅｎｈｏ...     

ICARCV＇96 FOURTH INTERNATIONAL CONFERENCE ON CONTROL，AUTOMATION，ROBOTICS AND VISION

ＩＣＡＲＣＶ＇９６ＦＯＵＲＴＨＩＮＴＥＲＮＡＴＩＯＮＡＬＣＯＮＦＥＲＥＮＣＥＯＮＣＯＮＴＲＯＬ，ＡＵＴＯＭＡＴＩＯＮ，ＲＯＢＯＴＩＣＳＡＮＤＶＩＳＩＯＮ￥／／３－６Ｄｅｃｅｍｂｅｒ１９９６ＷｅｓｔｉｎＳｔａｍｆｏｒｄ，Ｓｉｎｇａｐｏｒｅ，ＣＡＬＬＦＯ...     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

Design of information granule-oriented RBF neural networks and its application to power supply for high-field magnet

To realize effective modeling and secure accurate prediction abilities of models for power supply for high-field magnet (PSHFM), we develop a comprehensive design methodology of information granule-oriented radial basis function (RBF) neural networks. The proposed network comes with a collection of radial basis functions, which are structurally as well as parametrically optimized with the aid of information granulation and genetic algorithm. The structure of the information granule-oriented RBF neural networks invokes two types of clustering methods such as K-Means and fuzzy C-Means (FCM). The taxonomy of the resulting information granules relates to the format of the activation functions of the receptive fields used in RBF neural networks. The optimization of the network deals with a number of essential parameters as well as the underlying learning mechanisms (e.g., the width of the Gaussian function, the numbers of nodes in the hidden layer, and a fuzzification coefficient used in the FCM method). During the identification process, we are guided by a weighted objective function (performance index) in which a weight factor is introduced to achieve a sound balance between approximation and generalization capabilities of the resulting model. The proposed model is applied to modeling power supply for high-field magnet where the model is developed in the presence of a limited dataset (where the small size of the data is implied by high costs of acquiring data) as well as strong nonlinear characteristics of the underlying phenomenon. The obtained experimental results show that the proposed network exhibits high accuracy and generalization capabilities.     

基于模糊kohonen聚类网络的改进算法

模糊kohonen聚类神经网络将模糊隶属度概念应用于一般Kohonen聚类网络的学习和更新策略中,改善了Kohonen聚类网络的性能,是一种快速有效的聚类网络.但在死神经元的处理和收敛速度上还有改进的空间.为了能使网络更好应用于海量数据的聚类问题,对模糊Kohonen聚类网络算法在输出神经元的模糊偏置度、侧抑制模糊隶属度和加权系数提出了三方面改进.同时,对改进的模糊Kohonen聚类网络的有效性进行实例仿真,仿真结果体现了改进算法能有效避免死神经元的出现和提高了网络的聚类速度.     

一种基于改进k-means的RBF神经网络学习方法

针对传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随不同的初始输入而波动。为了解决以上问题,提出一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法,消除聚类的敏感性,再用优化后的k-means算法构造RBF神经网络。仿真结果表明了该学习算法的实用性和有效性。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

基于改进RBF网络的多变量序列建模和预测

针对复杂系统多变量序列预测研究中数据样本过多、信息冗余等问题,从学习样本选择和聚类中心优化两方面对径向基函数(RBF)网络进行改进.基于复杂系统多变量时间序列,首先采用一个线性相关函数和一个非线性相关函数分别计算多变量状态间的线性相关性和非线性相关性,确定一个包含系统有效信息的小数据集;然后基于小数据集,采用K均值聚类方法确定RBF网络的隐层聚类中心,并引入局部搜索过程,优化聚类中心结果;输入其它训练样本,确定网络权值.仿真结果表明,与常规RBF网络学习方法比较,在隐层节点数目相同情况下,改进的方法有效地确定了网络的聚类中心,达到更好的预测精度.     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。