RBF神经网络在压力测量系统校正中的应用

针对某火工品爆炸压力测量系统的非线性误差及温漂的问题,推导出系统的输出与压力传感器输入和环境温度的关系,使用RBF神经网络逼近系统的输入输出模型以消除误差,并用LabVIEW编程实现。使用该方法校正后的系统能够自动补偿非线性误差和抑制温漂。实际测量结果表明,校正前的系统误差〈=2％,校正后的系统误差〈=0．4％,说明该方法补偿效果好,适合于在压力测量系统中使用。     

基于RBF神经网络的SO2的预测

基于RBF神经网络的SO2的浓度预测,选取一定的历史数据建立径向基函数神经网络训练模型,进行拟合训练.将芜湖市1993年到2001年大气SO2的浓度历史数据用于径向基函数神经网络,建立训练网络模型,通过训练优化提高训练可靠性.再用该模型对芜湖市大气中SO2的浓度进行预测.     

基于RBF神经网络的磁探测引信系统研究

通过对比BP神经网络、径向基函数（RBF）神经网络在信号处理中的优缺点，详细分析了RBF神经网络的模型结构并应用于多模磁探测引信系统中，通过计算机仿真和实际测试效果较好。     

模糊聚类法在水环境质量评价中的应用

模糊聚类法通过数据标准化、平移及极差变换、确定最佳阈值和求解动态聚类图.该算法在长江芜湖段水环境质量评价中的应用,以选取对长江芜湖段水质影响较大的7个指标并建立其模糊相似矩阵,根据实测浓度值确定各因子的权重,结果可行.     

图像制导中的一种改进增量学习RBF神经网络

为改进现有人工神经网络在图像制导系统的自动目标识别算法中的不足,加快收敛速度,通过对基于RBF神经网络自动目标识别技术的研究,提出以隐层神经元价值函数作为指标的生长修剪策略,构造出一种基于增量学习的网络资源分配网络(IL-RAN),对目标进行了在线实时识别。仿真结果表明,利用该改进算法可产生规模较小的网络,并使得网络参数的选择与识别误差建立了联系,减少了总体的计算量,计算时间也大大缩短。     

基于RBF神经网络的引信智能天线多目标方向估计

提出了一种基于径向基函数(RBF)神经网络的引信智能天线多目标方向估计算法,对引信智能天线进行了结构和训练算法的设计.理论分析和测试结果表明,此算法充分利用了径向基函数神经网络的结构简单、自学习能力强、运算速度快、模式分类能力强等特点,可以实现多目标高分辨率方向估计.     

RBF神经网络在目标识别中的应用研究

基于递推最小二乘学习算法,提出了一种运用径向基函数神经网络进行目标识别的方法。仿真结果表明．该方法可以有效对来袭目标进行识别,具有较好的识别效果,对提高防空能力有一定的意义。     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。     

基于RBF的替代模型在翼型稳健设计中的应用

为了克服飞行器翼型受环境中不确定因素影响带来的性能恶化问题,需要对飞行器翼型进行相关的稳健性设计,使其对环境中的不确定因素不敏感。采用径向基(Radial Basis Function,RBF)插值和RBF神经网络拟合方法进行替代模型的建立,来获取一个稳健翼型的设计。通过与原始RAE2822翼型的阻力系数和Kriging模型方法获得的稳健翼型的阻力系数进行对比,证明了使用RBF建立的两种替代模型在翼型稳健设计应用中都具有良好的效果。     

基于RBF人工神经网络的水质评价

以RBF网络建立水质评价模型,网络的输入为某水样中参与评价的n种水质指标实测值的集合,输出为该水样的水质级别。问题关键集中在网络结构的选择、可调参数的优化方法,以及学习样本的代表性上。将n个样本划分成c个类的划分序列。只要在一定水平时样本被归入同一类后,在进行更高水平的划分时,确定类数即确定分类结果。     

基于RBF网络的微分先行PID控制器

将微分先行PID控制算法和径向基函数(RBF)神经网络结合,提出基于RBF神经网络的微分先行PID控制器.其微分先行PID控制器直接对被控对象进行闭环控制,实现参数在线自调整.RBF结构神经网络则根据系统的运行状态,利用神经网络的自学习自适应能力调节PID控制器参数的在线自整定,达到误差性能指标最优化.Matlab仿真表明,该控制方案不仅跟踪性能良好,而且抗干扰性较强,鲁棒性较好.