光纤陀螺刻度因子的建模方法

针对低精度光纤陀螺(FOG)刻度因子线性度较差的问题,提出了采用径向基函数(RBF)神经网络对刻度因子进行建模的方法,以减小光纤陀螺输出误差。通过测量数据对 RBF 神经网络进行训练,获得神经网络参数,根据神经网络结构和参数可以得到非线性刻度因子的解析表达式,将其作为刻度因子的模型,来提高 FOG 的精度。同时将 RBF 神经网络对刻度因子进行建模的结果与传统的建模结果进行了比较,验证了采用 RBF 神经网络对低精度刻度因子建模是非常有效的。     

基于RBF神经网络的Bootstrap数据扩充方法及其在IRSS可靠性估计中的应用

针对高可靠性、长寿命产品可靠性试验数据样本较少难以进行有效可靠性评估问题,提出一种基于RBF神经网络的Bootstrap数据扩充方法,利用RBF神经网络获取原样本连续分布特性,邻域函数构建网络输入集。仿真表明,由该扩充方法获得的扩充样本分布特性更接近于其真实分布,并有效利用了原样本取值区间上、下限数据信息,拓展更宽的样本取值范围。将其应用于工业机器人伺服系统(IRSS)伪失效寿命分布可靠性评估中,扩充伪失效寿命数据,获得IRSS有效可靠性评估结果,表明方法的实际应用价值。     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

基于深度学习的界面设计美学评价研究

目的美感已经成为人机交互(HCI)的核心结构之一,对用户的感知和态度具有明显的有益影响。然而界面美观性评价方法仍是设计师及其团队所面临的重要问题。引入深度学习技术来探讨其评价界面设计美感的可能性。方法分别使用基于深度卷积神经网络的闪屏美学分类方法和Google提出的基于深度学习NIMA神经网络,来预测闪屏图像的美学评价分布。结果通过研究发现,使用基于深度学习NIMA神经网络可以得到比传统方法更具体的评价结果,帮助设计师有效而客观地评价界面设计。结论将计算机图像美学评价的研究领域拓展到界面设计领域,验证了深度卷积神经网络在界面设计美学评价领域使用的可行性。未来图像美学评价还可以介入更多的设计相关领域,辅助设计师做出更有效的设计和商业决策。     

基于风格语义的产品造型设计评价策略

目的通过研究微型汽车,进一步对产品造型设计评价策略进行研究。方法首先建立语义评价量表,通过分词、词频统计、分类实验、聚类分析等方法确定了7个造型风格核心语义词,作为造型设计的评价指标;在确定造型设计意向后,借助"目标权重"机制赋予各个评价指标相应的权重系数;采用对程度副词进行解释、归纳、排序的方法来划分程度层级。其次,使用语义评价量表对设计方案进行量化测评,记录评价过程,分析评价结果。结果构建了一种以风格语义为评价指标的产品造型设计方案评价工具,并对3款微型汽车造型方案进行了评价实践,验证了该方法的合理性和有效性。结论提供了一种可行、直观的评价方法,对产品造型设计具有理论和实践意义。     

基于 BP 神经网络的气调包装评价方法研究

目的为了提高果蔬气调包装评价应用水平。方法基于BP神经网络,对果蔬MAP包装评价的理论研究现状进行了系统的研究和分析,系统地介绍了基于BP神经网络的评价方法原理。以牛肉气调包装为例,选用pH值、TVB-N值(挥发性盐基氮)、汁液流失率、细菌总数、色泽等评价指标,建立了气调包装评价模型,并用实例进行了证明。结果评价了样本MAP2,MAP6,MAP9的实际输出值分别为0.61,0.83,0.69,符合所选牛肉的气调包装表现。结论评价方法实用性强,可用于各类产品的气调包装评价,为气调包装方案的设计提供了依据。     

用户感知为导向的儿童康复产品交互体验研究

目的 为提升儿童用户对康复产品的交互体验,提出以用户感知为导向的儿童居家康复产品交互体验评价方法。方法 基于信息加工过程,引入人智学十二感官理论,建立用户感知体验模型;采用问卷调查与眼动追踪相结合的测量方法,获取儿童用户的心理评价与生理指标;应用层次分析法构建产品交互体验评价体系,结合熵权法为各项评价指标赋权并进行综合排序;基于BP神经网络建立康复产品特征要素与儿童用户感知体验偏好的映射关系模型。结果 以儿童家用康复脚踏器为例,验证了模型具有良好的预测效果。结论 通过主客观相结合的方法提高了儿童康复产品交互体验评价系统的科学性。该方法能够有效预测儿童用户的感知体验评价,为该类产品的交互体验设计与评价提供参考。     

基于自适应RBF模糊神经网络的旋转柔性铰接梁的振动控制

由柔性关节连接中心刚体和挠性附件的刚柔耦合系统广泛应用于卫星太阳能帆板、空间机器人等领域中,在调姿或者外部扰动带来振动时,将影响系统的稳定性和指向精度,对带有铰接结构的柔性梁的影响更甚。设计并建立了带有柔性关节（谐波齿轮）的旋转柔性铰接梁实验平台,进行了基于压电传感器测量信号的振动频响特性分析,分别采用PD控制和自适应RBF模糊神经网络控制算法,进行了基于电机驱动的位置设定点弯曲振动的主动控制研究。实验比较结果验证设计的自适应RBF模糊神经网络控制算法能够快速抑制振动。

      

基于RBF神经网络的数据挖掘的研究

研究基于RBF神经网络的分类数据挖掘方法。并将遗传算法和RBF神经网络有机结合,利用遗传算法优化RBF隐层中心参数和宽度。     

基于RBF神经网络城市震后火灾损失评估

本文设计了应用于城市震后火灾损失评价的径向基函数网络（radial basis function,RBF）网络模型,介绍了其学习算法,并用此模型对城市震后火灾损失评估进行实例分析,表明RBF神经网络在城市震后火灾损失评估的可行性;通过仿真结果的对比,得出RBF神经网络比反向传播（Back-Propagation,BP）网络具有更快的学习速度及更高的精度,为城市震后火灾损失评价方法的研究提供一种新的尝试,并为政府部门采取紧急救灾措施和制定重建规划提供科学依据。     

基于RBF网络的步行式底盘内力计算优化方法

为了确定步行式底盘局部结构在作业时的最大受力状态,提出了一种基于RBF神经网络的两级优化模型求解方法,第一级优化模型用逐步二次规划法找到局部结构在给定位置参数下的最大受力状态,通过正交试验设计,利用RBF网络构造出局部结构界面最大受力状态与位置参数之间的非线性映射关系;第二级优化模型用GA求解RBF网络的最大值,并通过二分法不断缩小位置参数的搜索空间,提高RBF网络的逼近水平。研究表明,计算结果可为步行式底盘设计提供理论依据,该方法是解决复杂结构系统中非线性、多变量优化问题的有效手段。     

基于BP神经网络的个性化多功能茶几设计研究

目的 通过分析消费者感性需求和多功能茶几产品形态设计要素,建立二者之间回归的联系模型,完成多功能茶几产品的个性化设计,解决茶几产品无法按照用户消费需求设计制造的难题。方法 首先运用语义差异法获取消费者对茶几产品的感性意象评价值,并利用因子分析法对评价值进行归纳整理,其次按照茶几产品设计要素对其进行模块解构,并对各部分模块进行数值化编码,再次根据整理的感性意象评价值和模块数值训练茶几产品BP神经网络,建立二者间映射关系,最后实施二次语义差异法问卷实验,验证BP神经网络的准确性。结果 根据训练的茶几产品BP神经网络可预测出感性评价值最大的茶几产品造型,实验结果验证了茶几产品BP神经网络模型的准确性,为茶几产品的个性化设计提供了有利的支撑。结论 此方法提高了茶几产品的设计效率,提升了茶几产品设计的合理性,解决了家具设计者无法精准按照用户主观需求完成客观产品设计的难题,为以消费者需求市场为导向的产品设计制造提供了有益的参考和指导。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。     

A novel RBF neural network for radar emitter recognition based on Rough Sets

With the spreading of radar emitter technology, it is more difficult for traditional methods to recognize radar emitter signals. In this article, a new method is proposed to establish a novel radial basis function (RBF) neural network for radar emitter recognition based on Rough Sets theory. First of all, radar emitter signals describing words are processed by Rough Sets, and the importance weight of each attribute is obtained and the classification rules are extracted. The classification rules are the basis of initial centers of Rough k-means. These initial centers can reduce the computational complexity of Rough k-means efficiently because of a priori knowledge from Rough Sets. In addition, basis functions of neural units of an RBF neural network are improved with attribute importance weights based on Rough Sets theory. The novel network structure makes the RBF neural network more effective. The simulation results show that novel RBF neural network radar emitter recognition can recognize radar emitter signals more effectively than a traditional RBF neural network, because of the improved Rough k-means and the network structure with attribute importance weights.     

径向基函数神经网络在多维力传感器标定中的应用

维间耦合是制约多维力传感器测量精度的主要因素,为了克服传统线性标定方法的局限性,利用径向基函数（RBF）神经网络强非线性逼近能力进行了多维腕力传感器的静态标定,并将其与最小二乘法和BP神经网络标定法作了比较。以研制的六维腕力传感器为对象进行了实验,结果表明,采用RBF神经网络对多维腕力传感器标定比用最小二乘线性标定有更高的标定精度,网络训练速度则大大快于BP神经网络。这种新方法具有一定的实用价值。     

关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究

以RGB与CIEL*a*b*颜色空间转换为例,采用径向基函数(RBF)神经网络,研究了颜色值在不同颜色空间之间的转换。利用基本采样数据集建立了颜色空间转换RBF网络模型,并通过增加样本数据,采用动态规划颜色子空间的方法,提高了模型转换精度。研究结果显示,该方法的转换速度和精度都优于基于动态子空间自动划分的BP神经网络颜色空间转换方法。     

基于主元分析和RBF神经网络的火灾模拟实验炉温软测量

软测量也称为软仪表技术,采用主元分析和RBF神经网络相结合的融合模型构成火灾模拟实验炉温软测量。主元分析（PCA）实现输入变量的降维,RBF神经网络采用K－均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛。该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高２倍以上。     

基于RBF神经网络的生物质电站高温气体CO2浓度测量方法

电站气体浓度测量对实现燃烧优化、提高燃烧效率和火焰品质、减少污染物排放具有重要意义。以CO₂气体为例进行研究,基于近红外波段可调谐激光吸收层析成像技术,提出了基于径向基(radial basis function, RBF)神经网络的高温气体CO₂浓度测量方法。通过实验获取不同浓度下的CO₂吸收可调谐激光光谱信号,计算CO₂吸收谱线和原始信号的差值,提取出描述该差异性的统计特征参数作为RBF神经网络的输入,CO₂浓度作为RBF神经网络的输出,建立了基于RBF神经网络的高温气体CO₂浓度测量仿真模型,通过仿真实例验证了该方法的有效性和正确性。与GRNN神经网络对比分析表明:RBF神经网络法可以有效提高CO₂浓度测量精度,为生物质发电高温气体计量提供理论依据。