基于RBF神经网络的三维温度场重建算法

声学法测量温度场是目前很具发展前景的一种温度场测量方法,而重建算法是实现声学法温度场重建的关键.提出了一种基于径向基函数(Radical Basis Function,RBF)神经网络的三维温度场重建算法.通过对被测温度场进行三维离散余弦变换(Discrete Cosine Transform,DCT),再利用RBF神经网络良好的函数逼近能力,实现DCT低阶次项系数向量与声波路径平均温度向量间的映射关系,最后通过逆离散余弦变换实现被测温度场的重建.进行了对模拟温度场的重建仿真,结果表明,该算法具有温度场重建精度高、速度快等特点.     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。     

基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数(RBF)神经网络,进行了非线性时间序列的在线预测研究.该RBF网络通过次胜者受惩算法(RPCL)根据样本信息合理调节隐层中心,通过递归正交最小二乘算法(ROLS)更新网络输出层的连接权重.算法学习速率较快,从而提高了网络的实时性能.仿真结果表明该学习算法的实用性和有效性.     

基于收发分体声波换能器的二维温度场重建

基于声学测温原理,运用发射端和接收端之间的声波信号飞行时间进行温度场重建,是工业应用领域中燃烧或加热处理过程温度测量的研究热点。本文采用收发分体声波换能器,确定其合理安装方式,运用Markov径向基拟合待测区域的声速分布,通过声速矩阵的奇异值分解,反演计算出温度场。仿真实验中设计了复杂程度不同的4种模型温度场,并考虑声波飞行时间在不同水平下的测量误差对重建结果的影响;实际测试中验证了本文方法在室温无加热、单峰对称、单峰偏斜的温度分布下的重建效果。实验结果表明,本文提出的收发分体声波换能器安装方式结合基于Markov径向基拟合的重建算法,在温度场重建中具有较高的精度和较强的抗干扰性。     

RBF神经网络在传感器校正中的应用

提出了一种基于RBF神经网络的传感器非线性校正方法,传感器的输出及待测物理量的实际数值用于训练RBF神经网络,以得到非线性校正用的逆模型,只需较少的神经元就可构成上述逆模型,便于单片机软件实现或“因化”在硬件中,通过一个二维位移传感器的例子表明,采用RBF神经网络的传感器非线性校正精度和网络训练速度均大大优于BP神经网络,能满足实用要求。     

基于RBF神经网络的电子秤非线性误差补偿

称重传感器、秤盘机械结构的非线性环节影响了电子秤称重结果的准确度。本文分析了电子秤的非线性误差来源与误差机理。在此基础上利用径向基函数神经网络（RBFNN）构建了一种电子秤非线性误差补偿网络,完成了电子秤的非线性校正。经现场检测表明。采用这种方法补偿后的电子秤称重误差小于国家标准《JJG555—1996非自动秤通用检定规程》规定的中级秤允许误差。提高了称重准确度。     

基于RBF神经网络的电阻层析成像算法的研究

本文提出了一种基于RBF神经网络的ERT图像重建算法,并用作者开发的ERT仿真软件得到了数据进行图像重建,与其它传统的成像算法作了对比。研究表明,RBF神经网络适合解决ERT图像重建的非线性问题,该算法具有速度快、精度高的优越性。     

基于RBF神经网络的柴油机燃油喷射系统的故障诊断

以RBF网络为识别模型,对柴油机燃油喷射系统的故障进行训练,并应用于待识别故障样本的识别仿真,结果表明,基于RBF的故障诊断方法优于基于BP网络故障诊断,在柴油机燃油喷射系统故障诊断中是行之有效的方法.     

基于RBF神经网络的单交叉口自学习控制系统

单交叉路口自学习信号控制器主要是通过径向基函数(RBF)神经网络建立了交叉口模型,模拟交通警察指挥交通的思维过程.该控制器能够根据交叉口各相位车辆的排队长度,对各个相位的绿信比和总的信号周期进行实时分配,并且根据交通状况的变化,可以对信号配时效果进行评价,对信号作出调整,具有学习功能.仿真结果表明,该系统能够很好地适应实际的交通状况,可以提高道路交叉口的车辆通行能力.     

基于RBF神经网络的认知无线电频谱的联合检测

认知无线电是解决当前频谱短缺问题的重要手段之一。在不干扰授权用户的情况下,非授权用户感知到授权用户未使用的频段,快速接入频谱,实现通信。一旦检测到授权用户出现时,非授权用户要立即退出正在使用的频段。本文充分利用径向基神经网络的优点,中心节点处放置一个径向基神经网络的模块,决定授权用户是否存在。这种方法可以提高认知无线电网络里感知的性能。     

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。     

基于少量声波飞行时间数据的温度场重建

为依据少量声波飞行时间数据较高精度地重建温度场,提出了一种基于径向基函数和奇异值分解的声学CT温度场重建新算法.采用新算法对单峰和双峰温度场模型进行了仿真数据重建,重建结果表明,与高斯函数正则化重建算法、代数重建算法相比,新算法的重建精度有明显改善.采用新算法对实验室内的均匀温度场和加热温度场进行了实测数据重建,重建结果与被测温度场一致,且均匀温度场的重建均方根百分误差仅为0.31%.由于新算法重建速度快、重建精度高、抗干扰能力较强,可望用于复杂温度场的在线重建.     

基于RBF神经网络的底盘测功机控制算法

介绍了底盘测功机的类型并对电涡流测功机工作原理进行了说明,介绍了RBF(Radial Basis Function),神经网络的算法并分析了其控制系统模型,利用其在线整定PID(Proportion Integration Differentiation)控制技术对系统控制器进行设计,并通过MATLAB仿真给出了系统控制模式的控制效果.经试验验证,控制算法控制效果良好,完全满足底盘测功机对控制品质的要求.     

基于改进径向基函数神经网络的激光陀螺温度补偿

传统的径向基神经网络(RBFNN)在激光陀螺零偏的温度补偿过程中会由于随机选取中心不合适而导致算法效率降低和数值病态,故本文提出了一种基于Kohonen网络和正交最小二乘(OLS)算法的RBFNN温度补偿方法。介绍了该方法的原理及建模步骤,设计了常温和变温环境下激光陀螺的数据采集试验及其温度补偿试验。由于结合了Kohonen网络的模式分类能力和OLS的优化选择能力,该方法可以快速、准确地辨识出受温度影响的激光陀螺零偏。利用逐步回归法、RBFNN法及其改进方法对多种温变环境影响的激光陀螺零偏进行了辨识与补偿试验,试验结果表明,在常温环境下,三者的辨识能力相当;随着温变速率的上升,改进RBFNN法不仅节省了时间,其补偿后的零偏也均小于5×10-4(°)/h(1σ),提高精度均能达86%以上。得到的结果表明改进RBFNN法提高了辨识精度且稳定、有效,适用于多种温度变化环境下激光陀螺零偏的温度补偿。     

基于人工神经网络的三维复杂槽型铣刀片温度场预测

温度场预测是实现铣刀片槽型设计与重构的关键技术,神经网络预测模型是实现温度场预测的新途径。针对铣刀片温度场的非稳态特性,提出了一种基于BP神经网络Levenberg—Marquardt算法的三雏复杂槽型铣刀片温度场预测模型,避免了传统神经网络易陷入局部极小的缺点。预测结果表明,该模型收敛速度快,预测精度高。     

正则化参数自适应选取的声学CT温度场重建

声学CT温度场重建为不适定逆问题。正则化参数的选取对重建精度有重要影响。提出一种正则化参数自适应选取的温度场重建算法——ARPSM(adaptive regularization parameter selection by minimum change criterion)算法。该算法采用一种新的、称为最小变化法的正则化参数选取法,自适应地选取正则化参数,兼顾温度场细节重建和噪声抑制。模型温度场和实验室内均匀温度场的重建结果表明,与常用的L曲线法相比,最小变化法确定的正则化参数对应着更小的温度场重建误差。ARPSM算法具有较高的重建精度和较强的噪声抑制能力,可望用于仓储粮食温度分布监测等对重建质量有较高要求的应用场合。     

磁力仪温度误差的径向基神经网络补偿模型

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。     

Control chart pattern recognition using RBF neural network with new training algorithm and practical features

The control chart patterns are the most commonly used statistical process control (SPC) tools to monitor process changes. When a control chart produces an out-of-control signal, this means that the process has been changed. In this study, a new method based on optimized radial basis function neural network (RBFNN) is proposed for control chart patterns (CCPs) recognition. The proposed method consists of four main modules: feature extraction, feature selection, classification and learning algorithm. In the feature extraction module, shape and statistical features are used. Recently, various shape and statistical features have been presented for the CCPs recognition. In the feature selection module, the association rules (AR) method has been employed to select the best set of the shape and statistical features. In the classifier section, RBFNN is used and finally, in RBFNN, learning algorithm has a high impact on the network performance. Therefore, a new learning algorithm based on the bees algorithm has been used in the learning module. Most studies have considered only six patterns: Normal, Cyclic, Increasing Trend, Decreasing Trend, Upward Shift and Downward Shift. Since three patterns namely Normal, Stratification, and Systematic are very similar to each other and distinguishing them is very difficult, in most studies Stratification and Systematic have not been considered. Regarding to the continuous monitoring and control over the production process and the exact type detection of the problem encountered during the production process, eight patterns have been investigated in this study. The proposed method is tested on a dataset containing 1600 samples (200 samples from each pattern) and the results showed that the proposed method has a very good performance.     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.