基于RBF神经网络的镍基TiN纳米复合镀层显微硬度预测

针对神经网络在预测复合镀层性能方面的应用情况,以及传统的BP神经网络存在缺陷;通过对RBF神经网络的基本原理和特点的研究,建立了利用RBF神经网络对Ni-TiN纳米复合镀层显微硬度进行预测的模型。通过实验数据验证了所建立的RBF神经网络模型具有很高的精确度,其最小相对误差可达0.62%,而且所建立的预测模型具有优化工艺参数的功能,对复合镀层的其它性能进行预测具有指导意义。     

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。     

RBF神经网络在爆破振动强度预测中的应用

在介绍RBF神经网络基本思想的基础上,建立了爆破振动预测模型,用RBF神经网络方法对质点振幅、主振频率及振动持续时间进行预测。用阳泉煤矿主井爆破开挖工程中所监测到的振动数据对模型进行了训练,并对27组数据进行了预测,实测结果和模型预测结果的对比表明,RBF神经网络预测模型能反映影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。     

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。     

一种基于子空间划分的打印机光谱预测模型

目的 实现打印机的光谱预测。方法 提出一种基于子空间划分的径向基函数（RBF）神经网络模型, 将打印机颜色空间划分成若干子空间, 在子空间中运用RBF神经网络, 对任意输入打印机驱动值根据其所在子空间实现其光谱值的预测。结果 该模型的预测精度较未进行子空间划分模型的有明显提高。结论 该模型能够满足高精度打印机光谱预测的要求。     

基于混沌时间序列的GPS单点定位误差预测方法

对由不同型号GPS-OEM板和不同型号天线所组成的GPS单点定位系统的定位误差时间序列进行了混沌特性分析,通过计算最大Lyapunov指数确定了其为混沌时间序列.在此基础上提出了基于混沌时间序列的GPS单点定位误差预测方法,分别将RBF神经网络和Volterra滤波器应用于预测模型,实现了对定位误差的一步预测.通过对比预测结果,发现Volterra滤波器比RBF神经网络具有更高的预测精度,且算法实时性强,可以有效地降低预测模型的复杂程度.     

基于误差修正的菌体浓度软测量

针对机理模型中参数易受环境影响,结果常常不准,而数据模型对于复杂系统外推能力差的情况,提出了以机理模型为基础,以数据模型为补充,利用数据模型对机理模型的预测结果进行误差修正的方法.将该方法用于菌体浓度的预测,误差修正模型采用RBF神经网络,包含了影响菌体浓度的主要理化因素:温度、溶解氧和pH,以实际测量值为目标对该网络进行训练.训练好的神经网络用来对机理模型的输出进行修正.试验数据表明该方法能有效提高菌体浓度的预测精度.     

基于RBF神经网络的商场建筑空调能耗预测

商场建筑夏季空调能耗占总能耗的50％以上,鉴于空调能耗较高,对空调能耗进行预测有利于提升运行经济性.针对商场建筑空调系统非线性、多变量等问题,提出一种基于RBF神经网络空调系统能耗预测模型.该方法将日最高温度、日最低温度、日平均温度、日最高湿度、日最低湿度、日平均风速和空调能耗作为RBF神经网络的输入,建立空调系统能耗...     

基于神经网络的电机转矩软测量研究

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性，在函数拟合方面优于传统的BP网络，将在化工领域广泛使用的软测量技术应用于电机系统的转矩测量，该方法的可行性进行了论证，并运用RBF神经网络建立转矩的软测量模型。同时建立了基于BP神经网络的软测量模型，用改进的kvenberg—Marquardt算法对BP神经网络进行学习和训练，并对两种网络进行了对比。该方法只需要电流信息，辨识方法简单。研究表明，RBF神经网络辨识效果优于BP神经网络。     

基于神经网络的摩托车制动器试验台测控系统

本文设计开发了摩托车制动器测试系统,将RBF神经网络与传统PID控制相结合,在控制过程中实时在线调整PID控制参数。试验表明,应用RBF神经网络的PID控制器能够获得更好的控制效果,并能很好的抑制现场工业干扰对系统的影响,提高了制动器台架测试系统的控制与测量精度和可靠性。     

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数（RBF）神经网络是一种3层前馈性神经网络，它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点，在对滚动轴承振动信号特征分析的基础上，提出了采用时序方法对其建立AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

Application of Hybrid Learning Neural Fuzzy Systems in Reliability Prediction

This study presents a hybrid learning neural fuzzy system for accurately predicting system reliability. Neural fuzzy system learning with and without supervision has been successfully applied in control systems and pattern recognition problems. This investigation modifies the hybrid learning fuzzy systems to accept time series data and therefore examines the feasibility of reliability prediction. Two neural network systems are developed for solving different reliability prediction problems. Additionally, a scaled conjugate gradient learning method is applied to accelerate the training in the supervised learning phase. Several existing approaches, including feed‐forward multilayer perceptron (MLP) networks, radial basis function (RBF) neural networks and Box–Jenkins autoregressive integrated moving average (ARIMA) models, are used to compare the performance of the reliability prediction. The numerical results demonstrate that the neural fuzzy systems have higher prediction accuracy than the other methods. Copyright © 2005 John Wiley & Sons, Ltd.     

电液伺服系统的神经网络建模方法研究

针对电液伺服系统固有的流量-压力特性等非线性因素使得采用传递函数等传统方法难以获得电液伺服系统的精确模型的问题,详细研究了电液伺服系统的神经网络建模方法.研究了两种最常见的神经网络,即多层感知器神经网络和径向基函数神经网络,采用5种典型学习算法构造了3种多层感知器神经网络和2种径向基函数神经网络,并结合自动定深电液伺服系统的工程实例,详细分析了这5种神经网络在电液伺服系统中的建模性能.研究结果表明,采用正交最小二乘算法的径向基函数神经网络最适合电液伺服系统的建模.     

基于RBF神经网络的隧洞围岩变形预测方法

传统回归方法对于围岩变形时程曲线存在反弯点，这种情况的模拟具有难度。提出的基于RBF神经网络的隧道围岩变形预测方法，不仅能很好地描述复杂的围岩变形时程曲线     

基于RBF神经网络的水文地质参数识别

水文地质参数识别问题是水文地质学上的一个难题.针对传统水文地质参数识别方法的局限性,提出了水文地质参数识别的径向基函数(RBF)神经网络方法,并通过算例验证了它的可行性与有效性,实现了水文地质参数的自动识别,提高了计算效率,比BP神经网络具有更好的参数识别效果.     

基于RBF网络和NIRS的绿茶水分含量分析模型

基于径向基函数(RBF)和反向传播(BP)神经网络分别建立了绿茶水分含量的近红外光谱分析模型.结果表明:RBF网络预测模型的相关系数r(p)=0.933,预测标准误RMSEP=0.528%;BP网络预测模型的相关系数r(p)=0.914,预测标准误RMSEP=0.598%.RBF网络模型优于BP网络模型.     

径向网络裹包机凸轮定位差动器交流控制的非线性观察器

根据裹包机的交流控制系统控制精度较差的问题,提出采用直接转矩控制方法,但速度控制受到系统固有不确定的影响,采用RBFN不确定观察器的鲁棒机定速度控制器,建立控制输入更新权值和约束常数的自适应规律,仿真和实验结果表明该算法是可行的和有意义的.     

Applying ANN,ANFIS and LSSVM Models for Estimation of Acid Solvent Solubility in Supercritical CO₂

In the present work, a novel machine learning computational investigation is carried out to accurately predict the solubility of different acids in supercritical carbon dioxide. Four different machine learning algorithms of radial basis function, multi-layer perceptron (MLP), artificial neural networks (ANN), least squares support vector machine (LSSVM) and adaptive neuro-fuzzy inference system (ANFIS) are used to model the solubility of different acids in carbon dioxide based on the temperature, pressure, hydrogen number, carbon number, molecular weight, and the dissociation constant of acid. To evaluate the proposed models, different graphical and statistical analyses, along with novel sensitivity analysis, are carried out. The present study proposes an efficient tool for acid solubility estimation in supercritical carbon dioxide, which can be highly beneficial for engineers and chemists to predict operational conditions in industries.     

Analysis of one-dimensional stochastic finite elements using neural networks

This paper explores the applicability of neural networks for analyzing the uncertainty spread of structural responses under the presence of one-dimensional random fields. Specifically, the neural network is intended to be a partial surrogate of the structural model needed in a Monte Carlo simulation, due to its associative memory properties. The network is trained with some pairs of input and output data obtained by some Monte Carlo simulations and then used in substitution of the finite element solver. In order to minimize the size of the networks, and hence the number of training pairs, the Karhunen–Loéve decomposition is applied as an optimal feature extraction tool. The Monte Carlo samples for training and validation are also generated using this decomposition. The Nyström technique is employed for the numerical solution of the Fredholm integral equation. The radial basis function (RBF) network was selected as the neural device for learning the input/output relationship due to its high accuracy and fast training speed. The analysis shows that this approach constitutes a promising method for stochastic finite element analysis inasmuch as the error with respect to the Monte Carlo simulation is negligible.     

基于逆问题求解的汽车操纵性能优化

给出一种基于逆问题求解的人-车-路闭环系统操纵性能优化的方法.利用径向基函数神经网络建立了汽车侧向位移与方向盘转角及其它响应之间的映射关系,由跟踪路径反求出方向盘转角及汽车的其它响应,进而计算闭环系统的操纵性能评价指标并进行优化.该方法是在不同汽车方案具有相同实际行驶路径的基础上对操纵性能进行分析并优化,从而得到的最优汽车方案在跟踪某一典型路径时具有最好的操纵性能.