基于进化算法的RBF网络在多用户检测中的应用

将智能信号处理技术中的进化算法和神经网络技术相结合，得到了基于进化算法的RBF网络，并将其应用于多用户检测之中。计算机仿真表明，同一般的BP网络多用户检测器和RBF网络多用户检测器相比，进化RBF网络多用户检测系统的误码率性能有一定提高。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络,并对BP神经网络、RBF神经网络和模糊神经网络三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,模糊神经网络算法具有良好的收敛性能,除收敛速度快于BP神经网络算法和RBF神经网络算法以及稳定性强外,而且具有更高的起始收敛速率,更小的权噪声,更大的抑噪能力。     

基于RBF人工神经网络的钢铁件淬硬层深度实时在线电磁无损检测

利用DWY—1型电磁无损检测仪,采用改进的Gram-Schmidt方法优化的RBF人工神经网络,实现了钢铁件淬硬层深度的实时在线无损检测。试验表明,淬硬层深度的检测精度、网络的收敛速度能满足生产实际的需要。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法,仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法。仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

基于回声状态网络的开关磁阻电动机转子位置估计

针对传统神经网络用于开关磁阻电动机转子位置间接检测时存在网络结构确定困难和训练过程过于复杂的问题,将利用回声状态网络来实现转子位置检测。这种新型的网络利用储备池和线性回归算法简化了网络设计和训练过程,使得模型具有良好的收敛速度和实用性。利用离线获取的磁特性数据建立的转子位置预测模型,与基于BP和RBF神经网络的预测模型相比,在保证良好预测精度的前提下,具有计算简单,收敛速度快等优势。实验结果表明该模型可以快速准确地实现转子位置检测,为开关磁阻电动机的转子位置检测提供了一种新方法。     

涡流无损检测中的广义索末菲尔德积分快速计算

广义索末菲尔德(Sommerfeld)积分的快速准确计算是涡流无损检测数值仿真的重要研究内容之一。对于积分核中含有2个贝塞尔(Bessel)函数乘积的广义Sommerfeld积分,给出一种高效准确的数值算法。通过将原积分核中远谱渐近分量抽出,广义Sommerfeld积分核可表示为具有快速收敛的积分核和渐近积分核2项之和的形式。对于渐近积分核部分,推导了其闭式指数积分表达式;对于快速收敛积分核部分,确定了数值积分的积分上限和对应的积分误差限。数值算例表明,与直接采用数值积分的算法相比,在同等计算精度情况下,该文的方法可提高计算效率10~100倍,该快速算法可应用于了涡流无损检测数值仿真中。     

BP和RBF神经网络在气隙击穿电压预测中的应用和对比研究

气隙的击穿电压是决定外绝缘水平的重要因素之一,现有关于击穿电压的理论都是单参数的经验公式,对某一特定大气条件下的击穿电压则很难估计.本文讨论了BP及RBF神经网络在气隙击穿电压预测中的应用,详细说明了在人工气候室中进行击穿试验的过程和BP、RBF神经网络的构建方法.使用人工气候室中获得的样本数据对网络进行训练,用训练好的网络对击穿电压进行预测,结果表明BP及RBF神经网络均能较好地对气隙击穿电压进行预测.并对BP及RBF神经网络进行了比较,RBF神经网络在收敛速度、网络构建、非线性逼近以及泛化能力方面都要优于BP神经网络,更适合于气隙击穿电压的预测.     

基于级联神经网络的短期负荷预测方法

针对常和BP算法预测速度慢、易陷入局部最优解的缺点，提出了基于RBF网络和BP网络的级联神经网络预测方法，把天气因素和历史负荷对负荷预测值的影响分开考虑，其中RBF子网络用于描述历史负荷的影响，BP子网络则对在RBF子网络中难以考虑的天气因素给出了较好的映射关系，最终将两个子网络组合为一个级联神经网络，一系列的研究算例证明该方法是快速，准确的。     

用RBF网络进行电力变压器局部放电故障诊断

用径向基函数(RBF)神经网络对变压器局部放电的6种放电类型进行了模式识别。研究结果表明,无论是放电的二维谱图还是三维谱图,RBF网络的学习收敛速度、识别率较BP网络都有很大的提高,同时避免了BP网络对初始权值敏感、陷入局部极小等问题,可作为电力变压器局部放电故障诊断的一种新型模式分类器。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

基于RBF的故障电缆距离的预测算法

分析了基于零序直流原理的单处故障的电缆测距模型,由于模型中的参数复杂,提出了基于RBF网络的故障电缆距离的预测模型,从而实现对基于零序直流原理的故障电缆测距模型中的复杂参数进行辨识。通过仿真采集大量的原始数据,建立RBF神经网络预测模型,与BP(Back Propagation)预测方法进行仿真比较,结果表明RBF神经网络具有更好的预测效果,实现了故障电缆的准确定位,为进一步对该模型的研究与开发奠定了基础。     

基于神经网络的锅炉过热器和再热器管壁温度预测研究

提出了采用BP神经网络和RBF神经网络对锅炉过热器和再热器壁温进行预测的方法,经过网络训练和测试,使预测的管壁温度有一定的准确度。RBF神经网络较BP神经网络误差更小,更稳定,更适合于预测锅炉过热器和再热器的管壁温度。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。     

RBF神经网络在凝汽器故障诊断中的应用

针对BP神经网络计算过程存在收敛速度慢的缺点,提出了RBF神经网络应用于凝汽器故障诊断的基本方法。介绍了RBF神经网络的结构、凝汽器的故障类型和征兆集的建立方法。对比了RBF神经网络与BP神经网络的诊断结果,证明RBF神经网络的在线诊断速度、诊断精度均优于BP神经网络,对凝汽器的故障诊断准确可靠。     

发电机进相能力的RBF神经网络模型

发电机进相运行是调节电网电压、改善电能质量的一种经济性、技术性皆优的先进手段。由于发电机是一个多变量、强耦合的非线性系统,基于传统分析方法难以精确建立其进相能力分析模型,本文提出基于径向基函数(RBF)神经网络的发电机进相能力模型,以发电机有功功率和无功功率为输入,以发电机功角、电网电压为输出,采用江苏电网某600MW发电机进相试验数据训练和测试RBF网络,并探讨了基宽、神经元数的选择对RBF网络收敛精度的影响。研究表明本文所建立的发电机进相RBF模型具有速度快、精度高的优点,具有良好的泛化能力,其性能优于BP神经网络模型。本文提出的方法能有效克服传统进相分析方法的局限性,适用于发电机进相运行实时控制,有推广应用价值。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。