应用径向基函数神经网络的经纬仪跟踪误差建模

提出了一种基于径向基函数(RBF)神经网络建立光电经纬仪等效跟踪误差模型的方法来评价光电经纬仪的跟踪性能.分析了光电经纬仪存在的非线性因素,说明了采用理论建模方法难以准确描述其全部过程的原因.然后,介绍了RBF神经网络和靶标系统,基于一组靶标参数建立了RBF神经网络模型,并更换靶标参数进行模型验证.最后,对更换后的靶标参数进行重新训练建模,并改变参数周期,对模型进行了验证.实验结果表明:所建的神经网络模型精度与靶标参数有关,当动态靶标的半椎角a为21.2°,倾角b为43.8°,靶标匀速运行周期T为8.5s时,网络模型在靶标速度最大时误差也达到最大为3.18′,其它时刻均小于0.6′.当a为16.6°,b为37.5°,T为13 s时,模型最大误差为1.8′左右,在此模型下真实输出与网络模型输出的最大偏差为2.4′左右,其它时刻均小于1.2′.结果表明,采用RBF神经网络所建立的跟踪误差模型能够反应真实系统的情况,是可行实用的,且具有较高的精度和泛化能力.     

径向基神经网络在三维激光切割中的应用

分析了RBF神经网络的特点，并研究了它在三维激光切割中的应用，利用该神经网络及其变形可以预测切缝的宽度，也可以根据输入参数对试样的挂渣与否进行判定。比较了三雏激光切割中切割倾角和切割方向对切割质量的影响，从而实现切割质量的预测和优化工艺参数的选取以指导实际的切割过程。     

径向基函数神经网络在齿轮动载系数计算中的应用

由于动载系数的计算公式比较复杂,机械设计手册中提供动载系数线图供设计人员近似计算,但通过人工查取线图数据的方法会给设计带来误差,并且不利于实现设计过程的CAD。因此,提出了应用径向基函数神经网络来确定动载系数的计算方法,映射了引起动载系数与其影响因素(齿轮节线速度、齿轮制造精度)的非线性关系,并与其他文献中提出的应用BP神经网络的方法进行对比。结果表明:径向基函数神经网络可通过较少的训练次数达到较高的精度,大大超过了BP神经网络的收敛速度和训练效率。该方法可广泛应用于工程设计中计算齿轮动载系数及其他以线图表示的参数。     

三角剖分技术在消隐中的应用

三角剖分是有限元网格划分的重要工具之一。本文将这一方法应用于装配图的消隐之中，并介绍其原理及实现步骤。     

基于模糊径向基函数神经网络的航空煤油干点估计

研究以模糊聚类和径向基函数网络结合的模糊径向基函数网络ＦＲＢＦＮ,并用主元分析对高维输入变量进行预处理,降低了模型的输入变量维数,进而构造基于ＰＣＡ－ＦＲＢＦＮ的估计模型,这一方法通过对加氢裂化装置分馏塔航空煤油干占估计得到验证。     

基于径向基网络的变速箱载荷识别研究

提出了一种基于径向基网络的识别变速箱载荷的新方法,该方法应用径向基函数网络建立了箱体表面振动响应信号与轴承激励之问的非参数映射模型。通过变速箱在随机激励下的载荷识别结果表明,这种利用径向基网络识别变速箱载荷的方法是可行的,并且具有识别精度高、运算速度快及稳定性好等优点。     

基于径向基函数神经网络的发动机智能故障诊断

本文提出了一种新的汽车发动机故障诊断方法。首先利用小波包对故障信号进行处理,将能量信息作为识别故障的特征向量,并采用了隐含层节点的动态删除策略对径向基函数神经网络结构进行精简。利用训练样本数据,得到最优预测模型,并用检验样本数据对所得的预测模型进行检验。试验表明该诊断方法对发动机故障诊断有良好的诊断效果,能够对故障进行准确分类。     

径向基函数网络在液压泵故障诊断中的应用与实现

通过神经网络在故障诊断方面的应用 ,利用Matlab提供的大量径向基网络工具函数来设计网络、确定权函数、网络输出 ,采用径向基函数 (RBF)网络来有效地实现对液压泵的故障诊断。该文表明 ,对于局部逼近的RBF网络学习速度快、训练步数少 ,该网络适合用于液压泵故障诊断问题中     

广义径向基函数神经网络在热误差建模中的应用

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法。     

径向基神经网络在层析成像中的应用

文中介绍一种利用径向基神经网络处理两相流信号的基本方法。此种方法具有快速、准确等特点。最后给出对实验信号的层析成像处理结果。     

BP和RBF神经网络在人脸识别中的比较

BP和RBF是模式识别中应用最为广泛的2种神经网络，本文将这2种网络应用于人脸识别，分别建立了人脸识别模型。利用ORL人脸图像数据库进行了仿真实验，通过对比分析它们各自的识别率和泛化能力等性能指标，提出了在应用这2种神经网络进行模式识别时应注意的方面。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

基于改进RBF神经网络的动态测量误差预测方法

该文针对传统的RBF神经网络预测方法的局限性，引入次胜者受惩（RPCL）算法和递归正交最小二乘算法（ROLS），进行了动态测量误差实时预测算法的研究。理论分析和预测实例表明，该方法预测精度明显高于传统的方法，具有很强的学习与泛化能力，在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很高的应用价值。     

RBF神经网络的混合结构优化算法

本文改进了递归正交最小二乘（ROLS）算法的停止条件，并用改进的ROLS算法优选RBF神经网络中隐单元的个数；借用细菌群体趋药性（bacterial colony chemotaxis，BCC）算法的思想来确定RBF神经网络隐层神经元的控制参数；把改进的ROLS算法和BCC算法相结合（ROLS-BCC算法），来全结构优化RBF神经网络，使RBF网络不但可以得到合适的结构，同时也可以得到合适的控制参数。实验结果表明，本文算法的优化效率高，优化后RBFNN的结构小，并且提高了RBFNN的泛化能力。     

神经网络辅助卡尔曼滤波在组合导航中的应用

为使基于微机电系统的捷联惯性导航/全球定位(MEMS-SINS/GPS)组合导航系统在GPS接收机无法正常工作时,仍能提供满足精度要求的导航信息,提出了径向基函数神经网络(RBFNN)辅助自适应卡尔曼滤波(AKF)的信息融合方法。首先,基于该方法设计了由神经网络训练与预测两种模式构成的组合导航系统。在GPS可用时,对RBFNN进行在线训练;在GPS失锁时,由RBFNN预测AKF更新过程的量测输入。然后,建立了RBFNN与AKF的数学模型,并设计了RBFNN的训练策略与AKF的自适应算法。最后,通过跑车实验验证了该信息融合方法的有效性。实验结果表明,在GPS断开时间为40s和100s时,系统的位置精度分别优于15m和90m。该信息融合方法能在GPS失锁时对导航误差发散进行有效阻尼,是适用于小型无人机、制导炸弹与车辆的一种低成本、高鲁棒性、中等精度的导航方案。     

一种基于SOFM聚类的星图识别算法

介绍了一种利用自组织特征映射(SOFM)网络的聚类功能进行全天星图识别的方法.按一定规则对全天星表的星信息进行了筛选并组建了导航星星库.从星库中提取星对角距信息和星模式信息来分别训练此星图识别系统中的两层SOFM网络,使网络具备了分类识别功能.以此系统进行的仿真识别结果表明,SOFM网络可以有效地反映星图中的复杂信息,抗噪性能明显优于传统星图识别算法;分类效果较好,能区分各种星模式;识别速度很快,约为1.5ms,可以在星图识别中发挥很好的作用.     

基于RBF神经网络的风力发电机组系统辨识研究

Aiming at the problems of difficult to establish the accurate mathematical model of wind power generation,identification of the wind turbine based on RBF neural network was presented. The dynamic process of the torque loop and the pitch loop was simulated,RBF neural network algorithm was adopted to identification the torque loop and the pitch loop. RBF basis function was adopted to form space. If the hidden layer RBF parameters was determined, the nonlinear mapping relation was determined. The output layer was the hidden layer nodes output linear weighted summation. The result indicate that identification of torque loop,the input is torque,the output is speed,the torque loop error rate is about 1 %. Identification of pitch loop,the input is pitch angle,the output is speed,the pitch loop eror rate is about 3%. The pitch loop is a very complicated nonlinear model,the model structure is influenced by many aspects,identification result error is bigger than the torque loop identification error,but the error rate is allowed. The algorithm has higher precision and efficiency. [ABSTRACT FROM AUTHOR]     

采用RBF和BP神经网络处理EMD分解过程中端点效应

在分析经验模态分解端点效应出现原因的基础上,采用BP和径向基函数神经网络预测法对端点效应进行研究.在实验中,通过延长信号的采样时间,使端点的数据延长,从而抑制EMD分解时产生的端点效应.同时为了比较两种数据延长方法的效果,分别将延长后的数据进行EMD分解.实验结果表明,这两种都可以有效抑制端点效应对分析结果产生的影响,提高经验模态分解的效果.