基于RBF神经网络的电阻层析成像算法的研究

本文提出了一种基于RBF神经网络的ERT图像重建算法,并用作者开发的ERT仿真软件得到了数据进行图像重建,与其它传统的成像算法作了对比。研究表明,RBF神经网络适合解决ERT图像重建的非线性问题,该算法具有速度快、精度高的优越性。     

基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。     

单轴燃气轮机的RBF神经网络建模

本文首先介绍了燃气轮机的工作原理和几种现有的燃气轮机建模方法,然后运用RBF神经网络对其建模。     

基于RBF神经网络的非线性滤波研究

提出了一种基于RBF神经网络的非线性滤波解决方案.比较了BP神经网络和RBF神经网络在非线性滤波中的性能差异.文章最后应用MATLAB针对一伴有随机噪声的信号进行了仿真滤波实验,证明了该理论的可行性与优越性.     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

基于RBF神经网络的VAV空调系统

变风量空调系统具有非线性和动态特性.目前,在VAV空调控制领域应用最广泛的神经网络是静态前馈Bp神经网络,而RBF是在Bp人工神经网络基本结构的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使系统具有适应时变特性的能力.文中分别采用Bp神经网络与RBF神经网络建立模型,对VAV空调系统的少量参数的数据进行仿真预测,经比较分析,证明后者具有收敛速度快、预测精度高的特点.这表明利用RBF回归神经网络建模是可行的,其在VAV空调控制系统的研究领域有着较好的应用前景.     

基于改进RBF神经网络的传感器温度补偿系统研究

考虑到目前常用的温度补偿方法是使用智能算法建立温度补偿模型,并使用群智能优化算法进行优化,提高补偿精度,对于传感器非线性温漂段具有较好的补偿效果,但是对于具有较好的线性使用这种方法的效率较低,而使用常规的线性最小二乘直线拟合方法即可得到较好的补偿效果,因此本文将最小二乘直线拟合方法与RBF神经网络模型进行融合,研究一种对压力传感器进行温度补偿模型,使用蚁群算法对常规RBF神经网络进行优化,提高补偿模型的性能。通过MPX53型压阻式压力传感器进行实验研究,结果表明,使用本文研究的温度补偿方法后,传感器在各个温度下同样基本不受温度的影响,与使用全程蚁群优化RBF神经网络温度补偿方法效果相差不大,但是由于中间温度区域采用直线拟合方法,整体温度补偿的效率有所提高。     

基于EKF训练的RBF神经网络及其故障诊断应用

针对利用神经网络进行机械故障分类,以及网络权重的训练问题,依据系统辨识的理论,将RBF网络看作非线性系统。在机械故障分类中,可将RBF函数中心参数和网络权重的训练作为系统参数,进行故障辨识。在故障分类过程中,采用了在估计参数附近进行Taylor级数线性化,利用参数增广和统计动力学方法,构造线性状态空间方程,用扩展Kalman滤波算法(EKF)进行参数估计。RBF网络用典型的齿轮故障信息对其进行训练,并与传统的梯度下降法(Gradient Descent)相比较,结果表明,用Kalman算法训练RBF网络,不仅具有较好的精度,而且避免了传统算法存在的梯度消失,提高了网络的收敛速度。     

基于RBF神经网络的某交流伺服系统辨识研究

针对某交流伺服系统的模型辨识问题,采用RBF神经网络进行系统辨识.由于神经网络学习时间较长且不易收敛,故用聚类与梯度训练相结合的混合学习算法对RBF神经网络进行训练.使用聚类方法对学习样本进行聚类,确定隐含层结构,用梯度训练法对确定的网络结构进行训练,仿真实验验证了该混合学习算法的有效性.     

基于RBF神经网络的底盘测功机控制算法

介绍了底盘测功机的类型并对电涡流测功机工作原理进行了说明,介绍了RBF(Radial Basis Function),神经网络的算法并分析了其控制系统模型,利用其在线整定PID(Proportion Integration Differentiation)控制技术对系统控制器进行设计,并通过MATLAB仿真给出了系统控制模式的控制效果.经试验验证,控制算法控制效果良好,完全满足底盘测功机对控制品质的要求.     

基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

三角剖分以及径向基函数神经网络在星图识别中的应用

根据经典径向基函数(RBF)神经网络的优势,结合星图模式样本集的特点,设计了一种适合星图模式样本的网络训练算法.从提取星图模式入手,引入三角剖分理论,将可能出现在同一视场内的恒星以三角形的形式连接起来,提取连接的角距作为星图模式,建立了具有完备性、平移旋转不变性的星图模式样本集.然后,利用RBF神经网络做星图识别,研究顺序训练方法和批量训练方法,总结多种经典算法的优缺点,并设计了一种训练方法.通过实验证明了该种方法较其他经典算法更为适合学习星图模式样本.最后,给出RBF神经网络相关的训练数据,并通过模拟星图软件获得若干模拟星图作为观测样本,利用已经训练好的神经网络进行识别.试验结果表明,测试网络能够正确识别这些星图.     

广义径向基函数神经网络在热误差建模中的应用

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法。     

基于改进RBF神经网络的动态测量误差预测方法

该文针对传统的RBF神经网络预测方法的局限性，引入次胜者受惩（RPCL）算法和递归正交最小二乘算法（ROLS），进行了动态测量误差实时预测算法的研究。理论分析和预测实例表明，该方法预测精度明显高于传统的方法，具有很强的学习与泛化能力，在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很高的应用价值。     

The application of a radial basis function neural network for predicting the surface roughness in a turning process

This study considers the performance of a radial basis function neural network for predicting the surface roughness in a turning process. A simple algorithm is proposed for finding the upper and lower estimates of the surface roughness. A code is developed that automatically fits the best network architecture for a given training and testing dataset. The validation of the methodology is carried out for dry and wet turning of mild steel using HSS and carbide tools, and is compared to the performance of the studied network with the reported performance of a multi-layer perception neural network. It is observed that the performance of the radial basis function network is slightly inferior compared to multi-layer perceptron neural network. However, the training procedure is simpler and requires less computational time.     

基于神经网络与杂交算法的机翼结构优化设计

以机翼结构为研究对象,提出了一种能同步解决元件位置优化与尺寸优化的杂交算法.利用MSC.NASTRAN进行尺寸优化,用遗传算法对位置设计变量进行优化,并将尺寸优化结果作为遗传操作的依据,最终实现了尺寸与位置的同步优化.为提高算法效率,利用神经网络的非线性映射功能,对MSC.NASTRAN的尺寸优化结果进行映射以取代其优化过程.算例结果表明,该方法高效、精确,具有很好的推广应用价值.     

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进.对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型.用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析.最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比.结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力.     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.     

采用遗传神经网络的直线伺服系统速度自适应控制

针对永磁直线同步电动机伺服系统多变量、强耦合、非线性,以及时变的特点,提出一种基于径向基函数(RBF)神经网络的永磁直线同步电动机速度控制方法,该方法根据RBF神经网络的结构特点,对其参数采用遗传算法进行离线训练,并通过在线训练调整隐层与输出层的连接权值,实现了电动机速度的自适应控制.实验结果表明,与常规PID控制相比,RBF神经网络控制器提高了直线伺服系统的静态和动态性能,使得电动机在启动和负载改变时转速超调量减小,且转速能更快地趋于稳定.     

A hybridized artificial neural network and imperialist competitive algorithm optimization approach for prediction of soil compaction in soil bin facility

We were inspired to furnish information concerning the promising applicability of a hybrid approach involving artificial neural networks (ANNs), with manifold network functions, and a meta-heuristic optimization algorithm for prediction of soil compaction indices. The employed network functions were the prevailed feed-forward network and the novel cascade-forward network algorithms to accommodate multivariate inputs of wheel load, tire inflation pressure, number of passage, slippage, and velocity each at three different levels for estimating the study objectives of soil compaction (i.e. penetration resistance and soil sinkage). The experimentations were carried out in a soil bin facility utilizing a single wheel-tester. Each ANN trials was developed merely and then by merging with the recently introduced evolutionary optimization technique of imperialist competitive algorithm (ICA). The results were compared on the basis of a modified performance function (MSEREG) and coefficient of determination (R²). Our results elucidated that hybrid ICA–ANN further succeeded to denote lower modeling error amongst which, cascade-forward network optimized by ICA managed to yield the highest quality solutions.