热轧带钢层流冷却过程的温度预测模型

通过焓法模型和相变热力学和相变动力学模型来研究分析热轧带钢在层流冷却过程中的能量变化,利用层流冷却过程中带钢的温度场和热焓场的计算结果来预测带钢冷却后的温度,并验证热轧带钢层流冷却过程并非带钢温度下降的过程,而是带钢能量传递给了周围的环境。     

基于RBF神经网络的船舶冲击谱速度数据挖掘与预报

船舶水下非接触爆炸载荷作用下的冲击环境计算分析是船舶设备抗冲击的一项关键工作,而如何快速有效的对船舶冲击环境进行准确预报是人们关心的问题。建立了10余艘尺寸分布合理、形式多样的船舶有限元计算模型,每艘船舶沿船长在不同甲板层上选取了分布均匀的400组样本测点,载入水下非接触爆炸载荷进行计算,形成120多万条船舶冲击环境数据,以此建立了大规模船舶冲击环境数据库,并以径向基神经网络为框架搭建了船舶冲击环境预报模型,分别将船舶的主尺度参数、船舶水下爆炸数值仿真的工况设置参数以及考察点的位置坐标作为神经网络的输入参数,以船舶考察点的谱速度作为唯一输出对搭建的RBF网络进行训练,并通过聚类算法对网络参数进行优化处理,模型训练完成后对未知船舶在给定工况下的冲击环境进行了预报及分析。预报结果表明,经过优化算法优化后径向基神经网络预报模型不仅具有较高的预报精度,且具有较好的泛化和鲁棒性能。该方法可为设计阶段船舶冲击环境的快速预报提供一种新型方法。     

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.     

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。     

基于RBF神经网络的添加剂改性炭材料高温黏结剂的性能预报模型

在炭材料黏结剂添加剂改性实验数据的基础上，将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系，建立了添加剂改性炭材料黏结剂的RBF（Radial Basis Function径向基函数）神经网络性能预报模型，并与BP（Back-Propagation逆传播）人工神经网络进行了预报精度和训练过程比较。结果表明：上述两种模型对于黏结强度的预报平均相对误差分别为0．0127和0．0600，且BP人工神经网络易陷入局部最小。因此，RBF神经网络模型的预报能力较好，得出了具有较精确黏结性能的添加剂配方和热处理数据。可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率，为炭材料黏结剂提供一条有应用前景的理论设计途径。     

基于RBF神经网络的数据挖掘的研究

研究基于RBF神经网络的分类数据挖掘方法。并将遗传算法和RBF神经网络有机结合,利用遗传算法优化RBF隐层中心参数和宽度。     

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神经网络的精细化营销研究

精细化营销分为5步骤:对数据进行标准化处理;利用因子分析确定客户细分变量;将聚类分为两层,利用最近邻聚类法初步确定中心,再利用均值聚类对中心进一步调整,确定RBF网络中心,并构建客户细分模型;在此基础上完成客户行为特征的描述和精细化营销策略的设计.通过实证研究,设计出某移动通信公司的精细化营销策略.     

基于RBF神经网络的灌装机控制系统设计

目的 针对传统液体灌装机灌装定量控制方法存在控制稳定性不高、控制精度较差等问题,引入RBF神经网络对液体灌装机高精度灌装定量控制.方法 构建液体灌装机伺服驱动计量缸传递函数,结合空间扰动性融合方法实现液体灌装机高精度灌装扰动特征解析;采用参数自适应辨识方法进行液体灌装机高精度灌装的定量分析;通过B样条曲线拟合方法对液体灌装机灌装拟合控制;通过自适应参数调节,构建RBF神经网络模型,实现液体灌装机高精度灌装定量控制的优化设计.结果 仿真结果表明,所提方法的液体灌装定量控制稳定性较好,灌装机灌装定量控制效果较好.结论 文中方法提高了液体灌装机高精度灌装的定量控制能力.     

基于RBF神经网络的股市预测研究

证券市场是一个高风险高收益的投资市场,获取比较高的收益同时降低风险是投资者追求的目标,径向基函数(Radia1 Basis Function, RBF)神经网络以其简单的结构,优良的全局逼近性能而引起了学者们的广泛关注.由于RBF神经网络的种种优越性,使得它在函数逼近和非线性时间序列预测等方面得到广泛应用.将RBF神经网络应用在股市趋势预测中,以上证指数作为对象进行建模与预测,结果表明,此种网络具有较好的学习和泛化能力,在股市趋势预测中取得了较好的效果.     

基于RBF神经网络的结构动力损伤识别

本文针对结构动力损伤识别问题,提出了ＲＢＦ神经网络识别方法,重点讨论了ＲＢＦ神经网络的结构的算法,并在最后人出了两个工程应用实例,结果表明,ＲＢＦ神经网络识别在方法在结构动力损伤识别中不失为一种崭新有效的方法。     

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。     

基于RBF神经网络的空压机性能预测研究

现代化的设备状态检测和故障诊断理论已经把设备的寿命预测作为一个重要的组成部分.随着科学技术的发展,设备运行状况的复杂化程度越来越明显,对于往复式空压机而言,这种信息的复杂性、不确定性程度反映更加强烈,传统的数学建模预报方法已不能满足设备的复杂化和现代化要求.提出一种基于RBF神经网络的振动信号在线预测模型,以空压机振动信号为基础,选取合适的特征参量,提高了性能预测精度,结果表明该模型是可行和有效的.     

一种基于RBF神经网络的温度控制系统设计

干体炉具有非线性、时变、纯滞后的特性,传统PID控制难以达到较高的控温效果。针对该特性提出一种RBF神经网络算法的控制系统设计方案,并搭建了干体炉硬件模块和接口模块,实现了一体化自动温度校准。实验表明,基于RBF神经网络的控制方法设计的干体炉具有结构简单、逼近速度快、控温效果好的特点。     

基于RBF径向基神经网络的摩擦学模型

建立了润滑油摩擦学特性影响规律的径向基神经网络模型,可以较准确地计算和预测润滑油摩擦系数与负荷及相对滑动速度之间的关系.试验结果表明这种网络具有很好的准确度和预测性,为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具.     

基于RBF神经网络的水轮发电机组动态建模

针对水轮发电机组具有复杂动态特性和不确定性难以精确建原特点，本文提出了采用径向基函数神经网络的水轮发电机组动态建模算法，并进行了仿真实验。实验结果表明用ＲＢＦ神经网络可方便地建立复杂对象４的动态模型，而且具有较高的精确度。     

基于RBF神经网络的飞参数据预处理

由于存在干扰,飞参系统记录的发动机参数中,经常会有不少间断点和奇异值.为了利用数据对发动机性能趋势进行预测,必须对数据进行预处理.发动机作为一个系统,其各主要输入和输出参数之间必然存在着一定的函数关系.本文研究了利用RBF神经网络和参数之间的关系对数据进行预处理,得到了较为正常的数据,结果表明该方法是有效的.     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

基于神经网络的发动机故障预报

结合发动机的故障诊断、分析和发动机的故障预报模型,采用BP神经网络,编写出软件程序,通过其自组织学习和训练,预报发动机故障。因具有较强的泛化能力,提高发动机故障预报的能力。