径向基函数神经网络实现数字地图压缩

提出了一种基于径向基函数(RBF)神经网络的数字地图压缩方法，给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此大大增强了其适应性。数字仿真表明该方法具有自动适应地形、参数配置合理、在线计算量小等特点。     

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案，由RBF网络对系统进行在线辨识．建立其在线参考模型并为PID控制器提供了梯度信息，从而实现控制器参数的在线调整。仿真结果表明，该控制方法应用于真空炉温度控制时控制精度高，动态特性好，收到了良好的效果。     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

RBF网络在线辨识算法与应用研究

提出了一种确定RBF网络中心向量的动态递推算法，介绍了RBF网络线性层连接权值的递推最小二乘算法，利用这些算法对蒸发器过热度进行了在线辨识，同时对网络结构和算法的参数变化对辨识精度的影响进行了研究，仿真结果表明该算法辨识速度快、精度高，可用于在线控制。     

一类非线性系统基于Backstepping的自适应稳定控制

针对一类未知高阶非线性系统，提出了一种基于Backstepping和神经网络的自适应稳定控制方法。利用RBF神经网络逼近未知非线性函数，不需要满足匹配条件，基于Backstepping方法调节网络权值。在控制律中引入非线性衰减项和σ-修正项保证了网络权值的稳定性，阻止了参数漂移。通过Lyapunov直接方法，证明了整个闭环系统的最终一致有界性。该方法扩展了自适应Backstepping和自适应NN控制的应用范围，适于并行计算，仿真结果表明了该算法的有效性。     

CMA-ES算法优化网络安全态势预测模型

针对网络安全态势预测问题,提出了一种预测方法。该方法采用协方差矩阵自适应进化策略(CMA-ES)算法来优化径向基神经网络(RBF)预测模型中的参数,使得RBF预测模型具备更好的泛化能力,可以快速的找出复杂时间序列中的规律。仿真实验结果表明,采用CMA-ES优化的RBF预测模型能够准确预测出一段时间内的网络安全态势值,预测精度高于传统预测手段。     

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案,由RBF网络对系统进行在线辨识,建立其在线参考模型并为PID控制器提供了梯度信息,从而实现控制器参数的在线调整.仿真结果表明,该控制方法应用于真空炉温度控制时控制精度高,动态特性好,收到了良好的效果.     

基于RBF网络补偿的近空间用BLDCM自适应模糊控制

近空间用无刷直流电机(BLDCM)受环境参数影响出现不确定性参数摄动和负载扰动,系统的控制性能降低。为消除不确定性因素的影响,提出了一种基于RBF网络补偿的自适应模糊控制算法。该控制算法是在自适应模糊控制的基础上,引入RBF网络补偿控制器,对参数摄动和负载转矩突变引起的转速误差进行在线辨识和动态补偿,以达到快速鲁棒自适应控制目的。对比具有RBF网络补偿的自适应模糊控制和自适应模糊控制的模拟仿真实验结果表明:在转速变化、负载转矩突变和转动惯量改变条件下,有RBF网络补偿控制的响应时间缩短了10 ms以上,响应过程中,电磁转矩的瞬时峰值减少了20%左右,对近空间BLDCM系统的不确定性鲁棒性强。     

混合网络在慢时变系统中的应用

针对工业慢时变系统非线性、调节时间长、参数难以用常规PID控制方法整定等的特点,提出了一种混合神经网络参数自整定复合控制方案。将BP网络和PID结合起来充当系统的控制器,实现PID参数的自整定,RBF网络充当辨识器,实现对受控对象模型的辨识。仿真结果表明,该系统具有较好的性能。     

基于PSO-RBF的航空相机电源板故障诊断技术研究

针对机载航空相机电源板故障率高,传统故障诊断方法技术不足而造成的相机维护难度大的实际问题,提出一种基于PSO-RBF神经网络的电源板故障诊断方法。考虑选取RBF网络训练算法中隐含层节点数和中心参数的难题,采用实用粒子算法约简了RBF神经网络,设计了航空相机电源板故障诊断系统方案,并给出了诊断系统的软件模块和实现方法,实现了从计算机仿真到工程应用的电源电路故障诊断。仿真与实际检测实验结果均表明,系统在不依赖任何标准设备和附加测点时,可对航空相机电源板进行实时、全自动化故障检测,其故障现象的检测覆盖率为100%,故障诊断平均可靠性可达到97.73%,故障器件定位率可达到96.89%。     

UUV水下带缆回收纵向运动研究

对UUV水下带缆回收运动模型进行了受力分析,并结合动力学基本原理建立了适用于UUV水下带缆回收运动的数学模型。在此基础上结合UUV水下带缆回收相关理论知识,文中提出了UUV水下带缆回收的纵向弹道规划,并对其进行了仿真研究。研究结果一方面对文中所提出的UUV水下带缆回收纵向弹道规划进行了可行性验证,另一方面总结出了UUV水下带缆回收的相关结论,具有一定工程实用价值。     

空战多目标集群攻击算法研究

针对传统多机空战中解算多机攻击策略需要很大计算量,不宜进行攻击任务分配问题,文章提出在我方多机不同编队视角下,采用改进的FCM算法将空战多目标根据目标属性相似性平均进行聚类划分,综合考虑聚类后各个类成员,运用熵理论处理空战客观信息,确定目标各个属性权重,解算不同编队视角下的各个类威胁以及不同聚类结果对我方编队的威胁度,得出最优聚类结果,采用矩阵法将划分的目标类与我方各个编队进行攻击配对,解算最终攻击分配方案.运用该法研究多目标集群聚类攻击问题,建立集群聚类攻击数学模型,并进行仿真研究.仿真结果表明该算法合理和有效.     

基于联盟备分的自动恢复安全模型研究

为了提高网络入侵容忍能力和存活性，提出了一种基于联盟备分的自动恢复安全模型。联盟组中的成员互相通过定期发送使用随机数标识并经过加密的消息来探测彼此的“心跳”(Heartbeat)，从而实时维护自己的联盟成员列表并形成一个无中心控制的联盟组。恢复文件时，使用由“选举”(Voting)得到的被恢复文件的可靠数字签名来确定恢复样本。基于FAM检测文件的实验结果表明，文件受到攻击后能够快速恢复，该模型具有重要的实用价值。     

一种密集波束域高分辨方位估计新方法

高分辨方位估计在声纳、雷达、通信等众多应用领域中占有十分重要的地位。提出了一种均匀线列阵的密集波束域MUSIC(DBMUSIC)法。该方法形成波束空间时，通过波束密集系数控制波束之间的密集程度，从而提高方位估计方法的多目标分辨能力。同时讨论了波束密集系数以及快拍数对DBMUSIC法分辨性能的影响。研究表明，与原波束域MUSIC(BMUSIC)法相比，在低信噪比的条件下，DBMUSIC法的高分辨估计性能得到明显改善，应用前景良好，而且快拍数越大，DBMUSIC法的多目标分辨能力越强。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

共形时域有限差分法在不同形状微带贴片天线特性分析中的应用

应用共形时域有限差分法(CFDTD)对不同形状微带贴片天线的特性进行了有效的分析。为了提高计算精度,对天线激励源、导体贴片等组成部分进行了预处理。通过对时域结果的傅立叶变换,得到与频率有关的天线特性参数。实际制作并测试了五角形和椭圆形贴片微带天线的反射损耗和辐射场方向图,并与CFDTD仿真结果进行了比较。结果吻合良好,表明该方法对复杂微带天线的分析非常有效。     

基于RBF网络上界自适应学习的预警卫星滑模控制

分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

基于RBF网络的轮胎侧向力模型

RBF神经网络相对于其他网络的特点是计算量小,收敛速度快,具有良好的非线性映射效果.采用人工神经网络中的径向基函数(RBF)神经网络,对车辆操纵稳定性仿真分析中的轮胎侧偏特性进行研究,建立轮胎侧向力神经网络模型.并与用于学习的实验数据进行比较,以验证这种模型的准确性,并以求为车辆动力学仿真和控制提供更好的手段.