基于RBF神经网络的磁探测引信系统研究

通过对比BP神经网络、径向基函数（RBF）神经网络在信号处理中的优缺点，详细分析了RBF神经网络的模型结构并应用于多模磁探测引信系统中，通过计算机仿真和实际测试效果较好。     

基于人工神经网络的多模引信磁探测信号处理

简述了多模引信磁探测系统的概念、原理及目标特性。对比了BP神经网络、径向基(RBF)神经网络在多模引信磁探测系统信号处理中的优缺点，并对其进行了改进，通过计算机仿真得到了很好的结果。     

基于RBF神经网络的引信智能天线多目标方向估计

提出了一种基于径向基函数(RBF)神经网络的引信智能天线多目标方向估计算法,对引信智能天线进行了结构和训练算法的设计.理论分析和测试结果表明,此算法充分利用了径向基函数神经网络的结构简单、自学习能力强、运算速度快、模式分类能力强等特点,可以实现多目标高分辨率方向估计.     

RBF神经网络在进出口总额预测中的应用

径向基函数(RBF)神经网络隐含层R由一组径向基函数构成.其执行通过非线性基函数的线性组合,从Rn到Rm的非线性变换.模型设计含数值归一化、样本数据预处理、模拟预测结果及分析.在进出口总额预测的应用证明,RBF网络可在数值上有效逼近时间序列内难以定时描述的相互关系,优于非线形回归和BP网络预测.     

红外成象GIF中的神经网络识别算法

目标识别是红外成象GIF中的关键技术之一,利用神经网络可以完成目标识别的任务.在获得目标红外灰度图象傅立叶描述子特征的基础上,对BP神经网络、径向基函数神经网络和学习矢量量化神经网络在目标类型识别中的应用进行了研究.通过网络的设计及算法的仿真结果,比较了这几种神经网络的在目标识别方面的优缺点.     

几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.     

RBF神经网络及其在水质评价中的应用

径向基函数(RBF)神经网络通过非线性基函数的线性组合执行.以长江芜湖段水域为例,利用RBF网络建立水质评价模型,随机产生600个样本.根据网络输入及输出层结点数,通过"试选法"确定隐层结点数,采用最小二乘法求得权值,中心向量则由分级聚类确定.模型评价结果趋势符合实际,效果较好.     

图像制导中的一种改进增量学习RBF神经网络

为改进现有人工神经网络在图像制导系统的自动目标识别算法中的不足,加快收敛速度,通过对基于RBF神经网络自动目标识别技术的研究,提出以隐层神经元价值函数作为指标的生长修剪策略,构造出一种基于增量学习的网络资源分配网络(IL-RAN),对目标进行了在线实时识别。仿真结果表明,利用该改进算法可产生规模较小的网络,并使得网络参数的选择与识别误差建立了联系,减少了总体的计算量,计算时间也大大缩短。     

基于神经网络的某鱼雷保障设备故障预测方法

为确保鱼雷保障设备处于良好的工作状态,提出一种基于径向基函数(radial basic function,RBF)神经网络的某鱼雷保障设备故障预测法。利用RBF神经网络的非线性建模能力,在某鱼雷保障设备的关键监测点建立网络诊断模型,通过对该模型的训练学习,确定需要的参数估计,再根据该模型的输出值来判断故障,并在Matlab仿真环境下对该设备故障进行了预测,其预测结果与实际情况基本一致。仿真结果表明:RBF神经网络作为预测网络能较好地解决该保障设备的故障预测问题,具有较准确和快速的诊断能力,可为复杂设备的预防性维修提供科学依据。     

基于核PCA的智能图像分析算法

提出了一种基于核PCA的智能图像分析算法，该算法将非线性数据映射到高维特征空间，能自动创建新的聚类并且连续调整聚类以适应于新目标，从而提高目标识别系统的性能。重点研究了基于核PCA算法在径向基神经网络中的应用，提出一种核PCA—RBF网络模型，并进行了目标检测、分割和无人监督目标分类的仿真实验。     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。     

基于改进进化规划的RBF网络二相码旁瓣优化

在研究雷达脉冲压缩信号中的二相编码距离旁瓣压缩问题基础上,采用改进的进化规划算法优化径向基函数网络,提出了一种基于改进进化规划算法的计算方法.该算法将进化规划算法和神经网络结合起来,用径向基RBF(Radial Basis Function)神经网络结构取代多层前馈网络MFNN(Multilayer Feedforward Neural Nerworks)结构,用改进进化规划取代反向传播算法BP(Back Propagation),可以以较大概率快速的收敛到要求的旁瓣抑制指标.通过对13位巴克码和31位M编码的仿真实验,表明新的方法在旁瓣抑制能力和运算速度等性能方面,都有较大的提高.     

基于径向基函数神经网络辅助容积卡尔曼滤波的多自主水下航行器协同定位方法

在多自主水下航行器(AUV)协同定位系统中,针对协同定位性能受到系统内部和外部等多种因素制约的问题,提出一种基于径向基函数(RBF)神经网络辅助容积卡尔曼滤波(CKF)的多AUV协同定位方法。当基准参考位置可用时,通过非线性CKF得到滤波新息、预测误差和滤波增益作为RBF神经网络输入层的输入,滤波误差值作为输出对RBF神经网络进行训练;当基准信号中断时,利用训练好的RBF神经网络,对CKF的滤波状态估计值进行补偿,进而得到新的估计状态。利用湖试数据,模拟多AUV协同定位系统输入存在误差情况下的协同定位实验。实验结果表明,所提方法与无RBF辅助的CKF方法相比,平均定位误差减小70%,具有更好的准确性和稳定性。     

基于径向基神经网络的空间目标测向定位算法

针对无线电测向定位系统中解析算法定位误差较大的问题,提出了一种基于径向基(RBF)神经网络的双站只测向定位方法。利用RBF神经网络可逼近任意连续有界非线性函数的能力,通过样本学习,构建目标位置和测向站所测的来波方向角(DOA)映射模型。与目前解析算法相比,RBF定位模型不仅充分利用了测向站获取的所有二维DOA信息,而且利用神经网络的泛化特性、鲁棒特性,较好解决了测向误差对定位精度的影响。实验表明:该方法能有效提高定位精度。     

基于径向基函数神经网络和无迹卡尔曼滤波的弹丸落点预报方法研究

为了能够在飞行数据不尽精确的情况下进行快速、准确的落点预报,提出一种基于径向基函数（RBF）神经网络和无迹卡尔曼滤波技术的弹丸落点预报方法。使用RBF神经网络逼近外弹道方程用以预报弹丸落点,并用改进型量子行为粒子群算法优化网络结构和权阈值,在此基础上对基于神经网络的初步预报数据进行滤波处理。最后进行预报仿真,在输入数据有噪声的情况下依然得到了较高的预报精度,从而证明该方法对预报弹丸落点是有效可行的,为弹丸的落点预报的实际应用提供了参考。     

永磁交流伺服系统的神经网络自适应控制研究

针对永磁交流伺服系统,提出了一种自适应PID控制器学习算法——带预测模型的神经网络PID控制方法。该方法采用一个三层RBF网络辨识交流伺服系统的特性,用另一个BP神经网络作为自适应控制器。仿真结果表明,在系统参数发生变化和存在负载转矩扰动的情况下,该方法具有较好的自适应能力和良好的动态性能。     

求解超高压筒形容器爆破压力的神经网络方法

将BP和RBF神经网络的理论和算法应用于预测超高压容器爆破压力的研究中。选用MATLAB神经网络工具箱建立预测爆破压力的神经网络模型,研究模型中影响爆破压力的主要参数,内外径比值和材料的强度极限,屈服极限,屈服强度与强度极限的比值;选用Faupel、Crossland和Bones等文献中的爆破实验数据对神经网络模型进行训练,用训练好的神经网络模型对爆破压力进行预测。预测结果表明,用BP和RBF神经网络方法建立的模型能够对超高压筒形容器的爆破压力进行较为准确的预测。