一种基于神经网络的双足机器人混合动力学系统辨识方法

针对双足机器人的混合动力学系统辨识问题,从系统渐进稳定性角度分析,推导出连续与离散混合系统的可辨识条件,提出了一种基于混沌粒子群优化的径向基函数神经网络与动态模糊神经网络的联合辨识方法。利用混沌粒子群优化的径向基函数神经网络辨识双腿的连续摆动阶段,利用动态模糊神经网络辨识离散的足地碰撞阶段;依据两阶段同一变量的耦合、转换关系,实现了对双足机器人整体混合系统的准确辨识。仿真实验结果表明,该方法辨识和预测结果具有较高的准确度。     

基于混沌时间序列的云工作流活动运行时间预测模型

针对线性时间序列方法无法有效预测云工作流活动的运行时间的问题,提出一种基于混沌时间序列的云工作流活动运行时间预测模型.该模型利用相空间重构理论和径向基函数神经网络实现对非线性时间序列的预测.相空间重构理论能够有效刻画云工作流活动的运行时间因受系统性能、网络状况等多种因素影响而呈现的非线性特征;径向基函数神经网络能够有效预测混沌时间序列.模拟实验分别考虑了计算密集型的科学工作流和实例密集型的商务工作流的情况.实验结果表明,无论长周期活动还是短周期活动,混沌时间序列模型明显优于其他有代表性的活动运行时间预测方法.     

基于径向基神经网络的刀具寿命预测模型研究

通过分析总结影响刀具寿命的主要影响因素,建立铣削刀具加工参数与刀具寿命的径向基神经网络模型。训练模型使用了10组样本数据,以刀具直径、铣削速度、铣削宽度、铣削深度、进给量、刀具齿数作为网络输入参数,采用十折交叉验证方法对所构建模型进行验证,能够对刀具寿命进行较为准确的预测。与传统BP神经网络模型比较发现,径向基神经网络具有更好的预测精度和稳定性,是预测刀具寿命的一条有效途径。     

运用DE-RBFNN的直线伺服系统定位精度研究

提出一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型,用于预测直线伺服系统的定位误差.该模型用差分进化算法训练径向基函数(RBF)网络隐层中心位置、宽度和输出层连接权重.为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以数字信号处理器(DSP)为核心的直线电动机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过DE算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,与单纯RBF网络、基于遗传优化的RBF神经网络相比,该建模方法具有更高的定位精度.     

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。     

基于混合Elman网络的非线性自适应逆控制

针对Elman动态递归神经网络的特点,在现有结构的基础上提出一种隐层包含径向基函数的混合Elman神经网络,给出了网络结构和训练算法,并将其应用于非线性自适应逆控制系统中.仿真实验表明该动态神经网络自适应性强,动态特性优异.此方法为实现非线性系统自适应逆控制提供了理想的途径.     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

具有未建模动态机械臂的自适应神经网络控制

对于具有未建模动态机械臂系统,基于神经网络对非线性函数的拟合特性,用径向基神经网络来补偿机械臂系统中的未建模动态,同时提出的自适应神经网络控制器,可以保证具有未建模动态的非线性机械臂系统的渐进稳定特性.仿真结果验证了这种控制策略的有效性.     

神经网络在毛坯形状预测中的应用

从影响冲压成型结果的因素和有限元网络映射法反算毛坯形状的方法出发,提出了基于神经网络预测毛坯形状模型的方法。选取凸模圆角半径、凹模圆角半径、压边力和摩擦系数等作为影响冲压成型结果的因素,利用正交表和随机法产生径向基神经网络的学习样本,用有限元网络映射法反算的毛坯的长度作为神经网络的输出,通过影响冲压成型结果因素的随机样本对神经网络进行检测。实验表明,提出了预测毛坯形状模型的方法是有效的。     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于智能与仿真技术的非线性润滑系统研究

采用智能控制与软件仿真技术研究非线性气-液两相流润滑系统.利用Navier-Stocks方程建立描述系统中流体运动特性的非线性偏微分控制方程组,并利用有限体积方法对其进行离散,获得了描述系统运动规律的数学模型及边界条件.基于CFD计算流体动力学,以及RBP径向基函数神经网络算法,建立系统的仿真模型,应用该模型对系统的工作特性进行仿真研究,并与实验结果进行对比.结果表明:2种模型都能很好地仿真系统的工作特性,其结果与实验测得的结果基本一致,为系统的实际应用提供了理论研究依据.     

多几何要素影响下液压阀件特性的混合神经网络预测模型

液压阀件系统是一个具有多几何要素影响的多系统特性复杂系统,建立液压阀件特性预测模型,以系统多几何要素作为输入,实现系统特性的预测,将对实际生产具有重要的意义。在深入分析反向传播(Back propagation,BP)神经网络与径向基函数(Radial basis function,RBF)神经网络的基础上,结合两类神经网络的特点,提出基于BP神经网络与RBF神经网络的混合神经网络预测模型。利用生产实际中实测的某具体液压阀件特性值及影响该特性的各几何要素值作为预测模型的数据来源,对所提出的混合神经网络进行训练,并进行仿真。实例计算表明混合神经网络预测模型可提高单项神经网络预测模型的预测精度,预测平均相对误差为0.0461。可见,所提出的混合神经网络预测模型能够很好地满足工程实践中液压阀件特性预测要求。     

采摘机械臂的PSO-RBF神经网络自适应控制

针对采摘机械臂系统的不确定性为控制带来的问题,设计一种PSO-RBF神经网络自适应控制方法.该方法使用径向基函数神经网络来逼近并补偿系统模型误差,用粒子群优化算法来优化RBF的权值参数,确保PSO-RBF控制性能更好.MATLAB仿真结果表明:与RBF神经网络控制相比,PSO-RBF神经网络控制精度和性能更好.     

基于径向基神经网络杯形件拉深成形变压边力预测技术研究

分析了RBF神经网络的预测策略和方法,并建立了板料拉深成形的变压边力预测神经网络模型.采用正交设计法进行样本参数的制定,利用板材成形CAE软件Dynaform获得训练数据,利用被训练好的神经网络对薄板成形过程中变压边力的预测技术进行了研究.数值模拟结果表明,此方法对拉深成形变压边力的预测是可行的.     

焦化鼓风机系统智能控制策略研究及应用

针对焦化鼓风机系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,通过采用基于最近邻聚类方法的RBF神经网络快速学习算法,实时在线辨识,建立被控对象的精确逆模型并用于控制,实现了将具有强耦合特性的多输入多输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与非线性比例积分微分(PID)控制相结合的智能控制策略,保证了系统稳定的同时改善了控制系统性能.仿真和应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性.     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

基于两相流体网络的复杂制冷空调系统模型研究

以系统论和相似理论为基础，建立了基于两相流体网络的复杂制冷空调系统仿真模型，并将两相流体网络特性与制冷系统特性相结合，建立了复杂制冷空调系统仿真模型的求解方法。与试验结果比较表明，仿真算法可以用来求解制冷系统两相流体网络模型，且仿真误差很小，可以用来对复杂制冷系统进行性能分析，为研究复杂制冷系统与两相流体网络提供了一种有效的工具。     

一种球团原料最佳配比的BAS智能推荐模型

结合广义回归神经网络(GRNN)在非线性拟合和柔性网络结构等方面的优势,构建熟球抗压强度预报模型,确定球团矿生产过程中的原料成分配比(Ca、Si、Mg等含量)与表征球团矿质量的重要参数(熟球抗压强度)之间的定量关系。基于抗压强度预报模型,借助天牛须搜索(BAS)算法,构建球团原料最佳配比智能推荐模型,在球团矿配料可调控区间上,智能推荐原料最佳配比方案。仿真与实验结果显示:熟球抗压强度预报模型具有超强的插值能力和优良的泛化性能;在球团矿各种配料变化不超过20%的区间内,智能推荐的最佳配料方案平均提升熟球抗压强度达16%以上,且系统运行稳健、仿真结果有效;将BAS智能推荐模型应用于球团制造实际流程中后较前一年同一时期的熟球抗压强度日均值有明显提升,实际应用效果佳。     

基于GA-BP的汽车风振噪声声品质预测模型

目前对于汽车风振噪声的优化研究主要以声压级（Sound pressure level,SPL）作为单一评价指标,既不能全面反映噪声的物理属性,也无法考虑人耳对噪声的主观认知过程。为准确评价风振噪声,引入声品质,运用大涡模拟（Large eddy simulation,LES）对风振噪声进行数值仿真,根据实车道路试验判断仿真的准确性;对仿真结果进行声品质客观评价与主观评价,综合声品质客观评价参数与声品质主观评价试验结果建立BP神经网络预测模型;利用遗传算法（Genetic algorithm,GA）,进一步对BP神经网络的结构参数进行优化,建立GA-BP声品质预测模型。研究结果表明,GA-BP声品质预测模型在训练速度和预测精度上都优于BP神经网络预测模型。预测模型基于声品质主客观评价结果,其预测值可以代替传统的声压级评价指标,为风振噪声提供更为准确合理的评价。     

FUZZY RADIAL BASIS FUNCTION (FRBF) NETWORK BASED TOOL CONDITION MONITORING SYSTEM USING VIBRATION SIGNALS

Thriving automation in industries leads to more research on the tool condition monitoring systems for better accuracy and fast recognition/evaluation of tool wear. Research on the applicability of the new advances in the soft-computing as well as in the signal processing fields is the inevitable consequence. In this work, a new soft-computing modeling technique, fuzzy radial basis function (FRBF) network has been applied to the prediction of drill wear using the vibration signal features. This work presents the wear prediction performance comparison of this new model with three other already tried and established soft-computing models, such as back propagation neural network (BPNN), radial basis function network (RBF) and normalized radial basis function network (NRBF), for both time-domain as well as wavelet packet approaches of feature extraction. Experimental results show that FRBF model with wavelet packet approach produces the best performance of predicting flank wear.