融合K-means和RBF神经网络的汉字识别算法

对于自然场景中拍摄的汉字图像,现有的汉字识别算法出现了很多问题,如传统的BP神经网络算法识别效率低下,传统的RBF神经网络算法识别准确率不高等,针对这些问题,论文提出了融合K-means和RBF神经网络的汉字识别算法.该算法通过引入减聚类算法,来计算出K-means算法的初始聚类中心及其个数,接着用K-means算法计算出RBF神经网络算法的径向基函数的中心,最后确定径向基函数的宽度以及隐含层到输出层之间的权值.实验结果表明该算法有着较高的准确率,能有效地提高汉字识别效率,具有一定的实用价值.     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

基于SOM-PCA-RBF的过程质量预测与整体调优

为实现过程输出质量的预防性改进,提出一种将SOM(self-organized map)神经网络、PCA(principal component analysis)法和RBF(radial basis function)神经网络集成的过程质量预测和多因素整体调优方法。采用SOM神经网络对过程数据进行分类;采用主成分分析法对分类后的过程输出进行评价,建立过程因素备选库;采用RBF神经网络建立过程预测模型,通过预测判断过程输出质量的符合性,给出过程多因素整体调优的方案。实例分析结果表明,该方法能够有效实现预防性质量改进。     

慢走丝线切割机床丝架的热误差建模

慢走丝线切割机床上下丝架的误差受环境温度影响变化较大,且其相对位置的改变直接造成电极丝的位姿发生变化,从而使加工精度降低. 针对某大型慢走丝线切割机床,用旋量理论建立其理论热误差模型,采用有限元的方法计算在环境温度改变时上下丝架在x、y、z方向上的变形量,并用MATLAB处理得出电极丝位姿在笛卡儿坐标系中的变化情况. 构建实验平台实测不同环境温度下线切割机床上下丝架的热变形,基于径向基函数( radical basis function,RBF)神经网络的M-RAN算法建立热误差模型. 结果表明:该误差模型残差小于1μm,可以良好地反映出热误差分布及变化的规律.     

基于神经网络的伺服机械手LuGre摩擦补偿控制

针对伺服机械手系统的LuGre摩擦模型参数辨识难,难以建立其精确的数学模型,利用径向基函数( RBF)神经网络的万能逼近特性逼近LuGre摩擦,并作为计算转矩控制器的补偿项。通过Lyapunov方法证明了系统的稳定性以及闭环系统跟踪误差的收敛性。仿真结果证明控制算法能对摩擦进行有效补偿,提高了伺服机械手系统的轨迹跟踪控制性能。     

基于K均值与WPA-RBF神经网络模拟电路故障诊断

针对模拟电路故障诊断进行了研究,提出了一种新的方法。该方法包括haar的小波分解,对数据的归一化处理,以及用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值。首先用haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,这里用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值,以提高网络训练稳定性与诊断成功率。最终通过两个电路的诊断实例,来论述该方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用

针对由于输油管道泄漏在生产生活中造成的诸多损失与危害,以吉林油田的一段长输管道为研究对象,利用小波包变换提取管道泄漏压力信号的特征向量,将得到的特征向量作为神经网络的输入,根据输出对管道的运行状态进行识别,再应用负压波定位法对泄露点进行定位。在此基础上,提出了一种基于遗传算法优化的RBF神经网络输油管道检测的方法。该方法把遗传算法应用于神经网络的参数确定中。实验结果表明,优化的RBF神经网络模型的误差为1%左右,提高了泄漏检测的精度与效率。     

一种永磁直线同步电机混沌系统的反馈控制方法

针对永磁直线同步电机混沌系统参数不确定的控制问题,基于具有很强非线性映射能力的RBF神经网络,研究一种基于径向基神经网络(RBFNN)的反馈控制方法。该方法以永磁直线同步电机的定子交轴电流、直轴电流以及转速作为控制变量,首先采用RBFNN学习这3个变量所体现出来的混沌动力学特性,然后用训练好的径向基函数神经网络模型反馈控制混沌系统。数值模拟结果表明,提出的算法具有很强的鲁棒性,抗干扰能力强、响应速度快、控制精度高。     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。