改进的RBF神经网络的具体应用研究

传统的RBF神经网络在逼近能力、分类能力和学习速度等方面均优于BP网络,但为了使RBF神经网络的收敛速度和网络精度等更好地满足实际需求,用到一个线性非线性并列新型结构的RBF神经网络模型,并将该模型应用到纺织物品的染色配色问题上。应用该模型对染料的浓度与CMY值进行配色计算,实验表明具有较好的效果。改进后的RBF神经网络所表现出的良好性能,为其在该领域的应用提供了参考。     

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。     

三种GPS水准拟合方法的精度比较

介绍三次曲面拟合、BP神经网络、RBF神经网络三种方法进行GPS水准拟合的基本原理,结合实例在拟合具有一定起伏地区高程异常时,三种方法都达到cm级的精度,其中BP神经网络的拟合精度明显较高。     

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。     

RBF神经网络在显示器色空间转换中的应用

目的研究RBF神经网络对显示器色彩空间转换预测准确性的方法。方法通过编程借助Measure Tool软件自动测量获取建模和测试数据,通过反复测试选择建模合适的函数和参数,最后用RBF神经网络模型进行仿真实验,以获取较好的RGB转换到Lab色空间的转换模型。结果 RBF神经网络模型测试得到的色块平均色差达到0.75,最大色差达到19.7。结论该方法建模简单方便,网络训练速度快,转换精度高,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于OLS算法的RBF神经网络在大坝安全监测中的应用

文章介绍了RBF网络的基本原理以及网络中心选取OLS算法（正交最小二乘法）,并将该方法应用于大坝渗流安全监测资料的分析预报上,应用结果表明：该神经网路可以很好地克服BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,具有较快的运算速度、较强的非线性映射能力和较好的预报功能。     

基于RBF神经网络的双目摄像机标定研究

摄像机标定是精密测量的基础,传统的双目标定需要建立复杂的数学模型。人工神经网络可以有效地处理非线性映射问题,它可以很好地描述双目视觉中三维空间特征点坐标和二个摄像机对应点间的非线性关系。本文介绍一种RBF神经网络,并对RBF网络与BP网络的标定结果进行比较。实验结果表明：基于RBF神经网络的双目视觉标定方法能获得较高的标定精度。     

机器人系统中操作环境动力学模型研究

研究了机器人操作环境的动力学模型,提出了一种基于径向基函数(RBF)神经网络的机器人系统中环境非线性动力学模型新的建立方法,阐述了其建模机理和算法.结果表明,采用RBF神经网络对机器人系统中的操作环境建模比用BP神经网络有更高的精度,其网络训练速度也大大快于BP神经网络.     

基于RBF神经网络的结构光三维视觉检测方法研究

研究了基于RBF神经网络的结构光三维视觉检测方法。该方法利用了RBF网络良好的非线性映射能力以及学习、泛化能力，通过采用高精度样本数据训练RBF网络，最终建立起了用于结构光三维视觉检测的RBF网络模型。与常规方法相比，它不需要考虑视觉模型误差、光学调整误差等对视觉检测系统测量精度的影响，因而能够有效地克服常规建模方法的不足，保证了检测系统具有较高的精度。     

利用RBF神经网络提高温度测量精度

本文介绍在压力测量时,为提高测量精度,利用径向基函数神经网络(RBF)和智能温度传感器DS1822进行温度补偿,改善其测量精度的新方法。RBF网络具有良好的非线性映射能力,自学习和泛化能力,采集样本数据训练构成具有双端输入、单端输出网络模型,采用改进的算法实现测量精度。     

大学生学习水平测评的人工神经网络方法

本文在对目前学分制高校大学生学习水平测评方法进行分析的基础上，运用人工神经网络（ANN）理论中应用最为广泛的BP网络技术，构建了对大学生学习水平进行评价的非线性评价模型。实际模拟运算结果与现行的测评方法的结果基本近似，且有其独特的特点。与传统的统计分析模型相比具有更好的容错性、鲁棒性和自适应性。避免了人工确定各指标或各层次权重带来的主观性，使得不同科目的成绩具有一定的可比性。可为高校大学生各类学习标兵、奖学金、三好学生等的评比提供客观、可靠的依据。     

采用BP神经网络进行混沌运动控制

利用4层BP神经网络对非线性非连续函数的无穷逼近特性，设计了控制方法，对非线性系统的混沌运动进行控制。在系统发生混沌运动时，对于不同类型的期望信号，可以将不同自由度的混沌运动分别控制到各自的目标信号上。目标函数可以是周期函数，非线性函数。对Lorenz方程进行了仿真计算，结果显示可以将混沌运动控制到锯齿波信号、正弦信号和直流信号上；对Rossler方程的仿真计算，可以将系统的混沌运动控制到方波信号与直流信号上，控制所用的时间很短。     

基于BP神经网络的光纤陀螺仪温度建模研究

目前光纤陀螺应用广泛，但是其性能容易受到环境温度影响，从而影响到惯性导航系统的性能．光纤陀螺的温度特性具有非常复杂的非线性特点，而BP神经网络具有良好的逼近复杂非线性函数能力。使用BP神经网络建立光纤陀螺温度特性的黑箱模型，不对零漂和标度因子进行补偿，而直接对陀螺输出进行校正．经实际数据检验，该建模补偿方法比未经补偿和经过传统工程补偿方法的精度提高了两个数量级．与传统的线性模型相比较，本文基于BP神经网络建立的光纤陀螺温度模型具有补偿方法简单，精度高，通用性好等优点．     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

基于饱和度优先的 BP 神经网络颜色空间转换模型研究

利用神经网络算法的非线性转换优势,构建了基于BP神经网络的颜色空间转换正向和反向仿真模型,提出了数据仿真饱和度优先的方法。通过训练样本的选取、仿真实验和数据分析,得到了较好的训练效率和转换效果。仿真结果表明,BP神经网络适合于颜色空间转换,转换精度较高。     

非线性质量补偿方法在微量包装系统中的应用

目的 为解决微量包装系统中称量传感器输出电压与质量之间的非线性关系、提高称量精度,基于改进BP神经网络设计一种非线性补偿方法.方法 阐述电阻应变式称量传感器的非线性补偿原理,根据称量传感器输入和输出之间的关系,设计一种神经网络补偿器.为提高神经网络控制性能,引入一种惩罚因子,可解决因训练不足导致的误差偏大等问题.结果 经对比发现,改进型BP神经网络具有较快的收敛速度、较高的精度,可提高微量称量包装系统的控制性能.高速模式下,称量误差可以控制在0.5％以内,实际称量结果较理想.结论 该方法能够改善系统动态性能,提高测量精度,可满足称量、包装行业等精度要求.     

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对空调温度控制的大惯性、大滞后、非线性等特点,提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强,所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且,模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则,从而进行客观准确的控制。与普通模糊控制方法相比较,仿真试验说明系统设计的有效性。     

基于BP神经网络的吸运风机故障诊断

吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.     

基于BP神经网络对CuNiSiCr合金时效后性能预测

采用改进的BP 网络算法———Levenberg Marquardt算法,建立了固溶态Cu Ni Si Cr合金的时效温度和时间参数关于时效后性能的非线性映射模型。结果表明所建立的BP神经网络模型可对Cu Ni Si Cr合金时效后的性能进行有效的预测和分析。     

基于BP神经网络的压电陶瓷蠕变预测

压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,难以实时修正。提出基于BP神经网络的压电陶瓷蠕变预测方法,使用压电陶瓷驱动系统采集数据,对数据进行归一化处理,通过实验设计BP神经网络的隐含层数、隐含层节点数、节点转移函数和训练函数,构建BP神经网络预测模型,建立压电陶瓷蠕变与时间的关系。用BP神经网络模型对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,蠕变预测结果与实验数据的最大绝对误差均小于0.1 μm,最大蠕变误差均不超过0.6%,最大均方误差仅为0.0021,可见,BP预测模型具有较高的预测精度,可作为预测压电陶瓷蠕变误差的一种有效手段。