基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

基于RBF神经网络的水处理模型辨识方法

目的使用RBF（径向基函数）神经网络辨识臭氧氧化、生物活性炭水处理过程的机理模型．方法在一定原水CODM条件下,分析臭氧投量和生物活性炭塔停留时间对出水CODM的影响作用,建立神经网络模型．结果仿真结果表明改进自组织算法能够合理配置RBF网络中心点集,神经网络模型输出能够有效逼近实验数据样本．结论RBF神经网络模型能够准确描述臭氧氧化、生物活性炭水处理过程中的参数关系,为水处理过程的深入研究提供了新途径．     

三聚氰酸在水中溶解度的测定与关联

采用平衡法，测定三聚氰酸在水中的溶解度，其数据用Apelblat溶解度方程关联的结果为：lnx＝-474．8025 18932.9494T 70.7514lnT，计算值与实验值、文献值间的平均相对误差为1．28％．以温度为输入矢量、溶解度为输出矢量，建立RBF神经网络，结果表明，RBF神经网络进行函数逼近可实现网络的快速收敛，训练集平均误差为0．81％，测试集平均误差为1．64％．因此，所建立的RBF人工神经网络模型对三聚氰酸-水体系在283．15-363．15K间是适用的．     

对烧结矿FeO含量预测的数学模型研究

分析烧结生产中影响烧结矿FeO含量的众多因素,选择碱度、配煤量、一次温度、制粒效果、加水量、料层厚度、点火温度、煤气流量等8个工艺参数以及4种矿粉配比作为FeO含量预报模型的输入变量.分别采用BP神经网络、RBF神经网络、SVM 3种进行建模预测.预测结果表明,SVM预测性能优于BP神经网络,RBF神经网络优于SVM.     

基于径向基函数神经网络的波束形成算法

提出一种基于径向基函数(RBF)神经网络的波束形成算法。针对最小方差无失真响应(MVDR)算法,由接收信号的协方差矩阵计算其权矢量;将协方差矩阵以列向量的形式输入RBF神经网络,对其加以训练,使之逼近MVDR算法的权矢量;将训练好的RBF神经网络用于波束形成中,对不同角度的接收信号,RBF神经网络可自适应地输出相应权矢量。仿真结果表明,基于RBF神经网络的波束形成算法能快速逼近任意波束算法的权矢量,波束赋形效果良好,与已有波束形成算法相比,可降低算法复杂度,减少计算量。     

RBF网络在基于动载的路面识别中的应用

设计了基于车轮垂直动载的路面识别的RBF网络分类器.对正则化、网络集成、添加噪声及最优停止4种神经网络泛化方法进行了归纳分析.输入加入强度为0.025的噪声,并用5个子网进行集成处理后,测试样本正确识别率最高,达50%.上述方法结合最优停止法时,测试正确率没有提高反而下降.反映了RBF网络在小样本识别中泛化处理的某些特点.测试结果表明:适当泛化后的RBF神经网络可用于基于垂直动载的路面识别.     

基于RBF神经网络的青霉素发酵过程的模型辨识

分析了目前青霉素发酵过程中存在的问题．基于RBF神经网络的辨识方法，建立了青霉素发酵过程模型．以动力学模型为基础产生教师数据，采用遗传算法对网络进行训练，建立了基于RBF神经网络的发酵过程模型，并进行了仿真实验验证．实验结果表明，该辨识模型对青霉素补料分批培养过程具有实用价值．     

RBF神经网络在诱发脑电信号分类中的应用研究

采用RBF神经网络方法对麻醉状态下诱发脑电仿真信号进行分析,提出了一种通过基于RBF神经网络权值构造特征向量的特征提取方法,以达到提取信号特征的目的,并用BP神经网络分类器对提取的特征进行聚类,从而实现深浅麻醉状态下诱发脑电信号的分类,实验仿真结果表明了该方法的有效性．     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于人工神经网络含稀土元素熔敷金属力学性能预测

为了提高焊条的力学性能并缩短焊条研发周期,在E4301型焊条药皮配方基础上加入了CeO_2和稀土元素La,并对焊条进行了力学性能试验.对试验数据进行分析后发现,加入适量的稀土元素可以改善焊条的力学性能.利用典型BP和RBF神经网络分别建立力学性能预测模型.将焊条中的CeO_2、La、Si、Mn含量与焊接速度作为预测模型的输入变量,将熔敷金属的抗拉强度、下屈服强度、断后伸长率与热影响区平均硬度作为输出变量.结果表明,将BP和RBF神经网络用于对含稀土焊条力学性能的预测是可行的,且RBF神经网络模型的预测精度和效率要高于BP神经网络模型.     

噪声自适应抑制技术在大坝安全监测数据处理中的应用

利用传感器监测大坝安全特征量从而实时掌握大坝安全状况是目前较为常见的安全监控手段。噪声干扰是传感器数据输出的重要问题,严重影响建模分析的精度。针对传统线性滤波的不足,提出了基于RBF神经网络的非线性神经网络滤波器,该模型克服了传统线性滤波对非高斯噪声处理时的缺点,且不需要关于输入信号和噪声的先验知识,非线性映射能力强。采用自适应噪声抵消基本原理,构造RBF神经网络自适应滤波器,然后针对该系统建立Simulink仿真模型。该技术应用在大坝监测数据处理中,取得了良好的效果。     

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足，采用压缩映射递阶遗传算法来确定网络参数（连接权、隐节点中心和宽度），改进算法的收敛性。基于频率响应，采用主元分析方法，有效减少了网络的输入节点。结果表明该方法是可行的。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于RBF网络上界自适应学习的预警卫星滑模控制

分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。     

基于RBF和BP网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题.     

基于RBF神经网络的金属应力状态系数模型

以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab人工神经网络工具箱,建立了轧制变形区的应力状态系数的RBF神经网络预测模型.通过分析应力状态系数的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对函数newrb()中宽度系数spread的试验调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.测试结果表明,RBF网络模型具有很好的推广能力.与传统的BP神经网络模型相比较,结果表明,RBF网络具有更高的精度和更好的泛化能力.     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

基于径向基神经网络的加速度计随机误差处理

神经网络应用于加速度计的随机误差处理,更接近真实值,因而比线性方法更优越近年来,BP神经网络受到了广泛重视,但径向基神经网络尚未得到重视径向基神经网络具有比BP神经网络更快的收敛速度,但是径向基神经网络能否达到全局最优解尚没有理论上的判别方法对BP神经网络和径向基神经网络在加速度计输出数据处理方面的优劣势进行了分析,分析时既考虑了数据量的增加,也考虑了优化性未来,对数据以最优化的方式进行大量处理将成为发展的趋势,也是走向实用化的切实可行的发展路径