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。     

基于记录数据的发动机健康状况分析

本文研究了利用记录数据和RBF神经网络对发动机健康状况进行早期预报的新方法.首先通过实验验证了RBF网络能够很好的建立正常情况下发动机各量存在的潜在关系,然后对发动机进行早期健康预报.通过实践表明,该诊断方法是十分有效的.     

基于RBF和BP神经网络的低真空管道高速列车气动阻力预测对比研究北大核心CSCD

为了实现对低真空管道中运行列车的最大阻力预测研究,本文采用数值仿真和神经网络结合的方法。选取不同阻塞比、运行速度和管道压力,利用流体仿真软件计算100种运行工况下列车的最大阻力;以96组仿真数据作为网络模型训练样本,选取RBF和BP两种三层神经网络,经多次调试确定最佳隐层神经元数目,利用训练函数训练两种预测模型;利用随机选取的4组验证样本验证两种网络模型。研究表明:RBF和BP神经网络模型能较好的预测列车在真空管道中运行的最大阻力,其中RBF神经网络预测值的最大误差不高于5%,相比BP神经网络,RBF预测精度更优。     

基于RBF和BP神经网络的低真空管道高速列车气动阻力预测对比研究

为了实现对低真空管道中运行列车的最大阻力预测研究,本文采用数值仿真和神经网络结合的方法。选取不同阻塞比、运行速度和管道压力,利用流体仿真软件计算100种运行工况下列车的最大阻力;以96组仿真数据作为网络模型训练样本,选取RBF和BP两种三层神经网络,经多次调试确定最佳隐层神经元数目,利用训练函数训练两种预测模型;利用随机选取的4组验证样本验证两种网络模型。研究表明:RBF和BP神经网络模型能较好的预测列车在真空管道中运行的最大阻力,其中RBF神经网络预测值的最大误差不高于5%,相比BP神经网络,RBF预测精度更优。     

混沌粒子群优化的RBF神经网络在热油管道仿真中的应用

针对加热输油管道仿真中管道内油流温度和压力变化,本文基于神经网络算法,利用管道数据采集与监控(SCADA)系统获取的500组历史运行数据,建立了管道沿线温度和压力的预测模型.提出的预测模型采用混沌粒子群改进的RBF(CPSO-RBF)神经网络算法.对RBF神经网络的参数(中心和宽度)、连接权重进行优化,通过与其他方法对比可知提出的CPSO-RBF预测模型具有精度高、收敛快等特点.在日照-仪征热油管道实际运行方案中验证了提出的CPSO-RBF预测模型的可行性.     

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.     

枪管内膛缠度检测方法及误差处理研究

提出了一种新型的枪管内膛缠度检测技术,并介绍了该系统的组成及工作原理.通过实测数据进行误差处理和分析,详细分析了误差产生的原因,并采用径向基(RBF)神经网络构建了缠度误差补偿模型,通过仿真计算和试验验证:该RBF神经网络补偿法达到了良好的补偿效果,具有一定参考价值.     

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。     

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。     

关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究

以RGB与CIEL*a*b*颜色空间转换为例,采用径向基函数(RBF)神经网络,研究了颜色值在不同颜色空间之间的转换。利用基本采样数据集建立了颜色空间转换RBF网络模型,并通过增加样本数据,采用动态规划颜色子空间的方法,提高了模型转换精度。研究结果显示,该方法的转换速度和精度都优于基于动态子空间自动划分的BP神经网络颜色空间转换方法。     

神经网络在色空间转换中的应用

通过运用MATLAB7.8进行了BP和RBF的数值仿真,并作出了二者的转换误差图,研究了采用BP和RBF神经网络方法进行色空间转换的精度差异问题。结果表明:BP神经网络由于本身收敛速度慢及训练无记忆性等缺陷,整体性能低于RBF神经网络,即用RBF来解决色彩管理中的色空间转换问题更符合要求。     

基于分区的 RBF 神经网络颜色空间转换模型的研究

根据 CMYK 颜色空间的特点,对其进行了分区处理,利用 RBF 神经网络最佳逼近性能、全局最优特性和高度非线性转换的优势,构建了基于 RBF 神经网络每个颜色空间分区转换的正向和反向模型。 通过训练样本建模和测试仿真实验,并对最后的实验数据分析处理,最终获得了一个较好的神经网络模型,并且模型的精度非常高。     

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。     

基于胞元式 RBF 神经网络的高保真分色模型研究

采用胞元式RBF神经网络模型对七色印刷输出系统构建了分色模型。首先,借鉴颜色空间分区理论将7个主色在整个颜色空间中划分为了6个颜色区域,在每个分区中选取了CIE L*a*b*明度值L上等间隔均匀采样的网点面积率,用于设计建模所需的训练样本,然后对每个分区划分胞元,并且为每个小胞元建立了基于RBF神经网络的分色模型。对于任意给定的要复制的目标色,利用提出的胞元搜索算法确定其所在的胞元位置后,使用相应的神经网络模型进行分色预测。实验结果表明,该分色算法能够达到较高的分色精度,可以满足高质量彩色复制的要求。     

基于RBF网络的步行式底盘内力计算优化方法

为了确定步行式底盘局部结构在作业时的最大受力状态,提出了一种基于RBF神经网络的两级优化模型求解方法,第一级优化模型用逐步二次规划法找到局部结构在给定位置参数下的最大受力状态,通过正交试验设计,利用RBF网络构造出局部结构界面最大受力状态与位置参数之间的非线性映射关系;第二级优化模型用GA求解RBF网络的最大值,并通过二分法不断缩小位置参数的搜索空间,提高RBF网络的逼近水平。研究表明,计算结果可为步行式底盘设计提供理论依据,该方法是解决复杂结构系统中非线性、多变量优化问题的有效手段。     

Self-adaptive radial basis function neural network for short-term electricity price forecasting

Effective and reliable electricity price forecast is essential for market participants in setting up appropriate risk management plans in an electricity market. A reliable price prediction model based on an advanced self-adaptive radial basis function (RBF) neural network is presented. The proposed RBF neural network model is trained by fuzzy c-means and differential evolution is used to auto-configure the structure of networks and obtain the model parameters. With these techniques, the number of neurons, cluster centres and radii of the hidden layer, and the output weights can be automatically calculated efficiently. Meanwhile, the moving window wavelet de-noising technique is introduced to improve the network performance as well. This learning approach is proven to be effective by applying the RBF neural network in predicting of Mackey-Glass chaos time series and forecasting of the electricity regional reference price from the Queensland electricity market of the Australian National Electricity Market.