一种非线性干体炉的设计

针对传统PID控制干体炉非线性、时变、纯滞后、抗干扰差的特点,提出一种模糊PID控制方法设计干体炉温度控制系统。首先分析建立了干体炉控制系统模型,其次设计了PID模糊控制器,最后进行了实验验证。实验表明,PID模糊控制方法具有结构简单、逼近速度快、控温效果好等特点。     

一种基于RBF神经网络的LCD显示器光谱特征化模型

目的研究LCD显示器的光谱特征化。方法提出一种基于RBF神经网络的显示器光谱特征化模型;扩展神经网络模型输入变量的项数,以提高特征化模型的精度。结果实验结果表明:[rg rb gb]项的引入,提高了特征化模型的光谱和色度精度,以及网络的泛化能力;引入[r2 g2 b2],[r2 g2 b2],[rg2 rb2gr2 gb2 br2 bg2]均会导致模型精度下降及泛化能力降低;以[r g b rg rb gb]作为神经网络输入变量的特征化模型,在精度和泛化能力上均是最优化的,实现了平均色差为0.14的色度精度。结论选择扩展项[rg rb gb]作为输入变量的RBF神经网络模型对LCD显示器进行光谱特征化,是一种高精度显示器特征化的最优模型。     

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.     

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神经网络补偿的不确定性倒立摆PD控制

针对带有参数不确定性的非线性倒立摆的跟踪控制问题,提出一种RBF神经网络补偿的PD控制方法。该方法采用RBF神经网络逼近系统不确定非线性函数,结合常规的PD控制方法设计控制器,实现倒立摆的跟踪控制。仿真结果表明,该方法能有效实现倒立摆的快速跟踪,并保证了对不确定参数的不敏感性。     

基于RBF神经网络的隧洞围岩变形预测方法

传统回归方法对于围岩变形时程曲线存在反弯点，这种情况的模拟具有难度。提出的基于RBF神经网络的隧道围岩变形预测方法，不仅能很好地描述复杂的围岩变形时程曲线     

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RBF神经网络的自动包装机温度控制算法研究

目的针对传统热封工艺中温度调节PID算法参数过度依赖人工经验的缺点,提出一种RBF神经网络与PID算法相结合的具有参数自适应的热封温度控制算法。方法使用控制系统的输出误差作为代价函数,采用最小均方误差(LMS)调整权值与偏置参数,并通过中心自组织算法实现径向基函数中心和中心宽度的动态调节,在Matlab软件中的Simulink子系统中建立仿真模型进行算法验证,并与传统PID控制算法进行比较。结果仿真结果表明,径向基神经网络与传统PID算法的结合使得系统输出响应在动态性能和静态性能方面均优于传统PID,在系统上升时间、调节时间等方面均优于增量式数字PID。结论将RBF神经网络PID算法应用于自动包装机,避免了传统热封工艺中PID控制算法参数不能适应于复杂变换控制环境的问题,神经网络PID算法的自适应性强,实现了热封温度变化下PID参数的自动调整,在一定程度上提升了生产效率和包装设备的智能化水平。     

基于RBF神经网络的商场建筑空调能耗预测

商场建筑夏季空调能耗占总能耗的50％以上,鉴于空调能耗较高,对空调能耗进行预测有利于提升运行经济性.针对商场建筑空调系统非线性、多变量等问题,提出一种基于RBF神经网络空调系统能耗预测模型.该方法将日最高温度、日最低温度、日平均温度、日最高湿度、日最低湿度、日平均风速和空调能耗作为RBF神经网络的输入,建立空调系统能耗...     

基于RBF神经网络的低对比度图像自适应增强算法

针对低对比度图像增强问题,提出了一种将直方图修正与RBF神经网络相结合的图像对比度增强算法。首先由原始图像获得与其邻域存在对比度的像素的条件概率直方图,通过调整两个增强参数可以改变条件概率直方图和均匀分布直方图的权重,生成新的直方图对图像进行增强。采用RBF神经网络建立图像特征与两个增强参数之间的非线性映射关系。根据图像本身的特征快速获得增强参数,从而实现图像的自适应增强。该方法计算量小,实时性强,应用范围广,有较强的自适应性。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。