基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于神经网络的热电偶特性数学模型

简单介绍了当前热电偶应用存在的问题 ,分析了建立热电偶特性的数学模型的各种方法 ,并提出了应用前向多层神经网络建立热电偶特性数学模型的方法及其优势。文中对前向多层神经网络及其算法进行了深入剖析 ,并给出了MATLAB源代码。最后以镍铬 -镍硅热电偶为例 ,阐述了其特性数学模型的建立过程及其应用。     

基于RBF神经网络的热电偶信号处理新方法

针对热电偶信号处理中的非线性校正和冷端补偿等突出问题,利用径向基函数(RBF)神经网络构造双输入单输出的网络模型,并采用遗传算法对网络结构和参数进行优化训练,同时完成了热电偶测温中的非线性校正和冷端补偿。经仿真实验证明:该方法的测量误差减小至0.095%,在较大范围内提高了热电偶温度测量的精度。     

基于RBF神经网络的智能传感器测量误差补偿方法

传感器测量条件的变化会导致其输入输出特性偏离其原有的标定特性,从而产生测量误差.针对此问题,提出利用RBF神经网络进行传感器测量误差补偿,并设计基于智能传感器系统的实现补偿的方法.     

热电偶RBF神经网络模型分布密度范围研究

本文提出的利用径向基神经网络（RBFNN）或广义回归神经网络（GRNN）建立热电偶特性模型的方法，解决了BP神经网络热电偶模型精度不高、重复训练时输出结果发生变化。有时出现奇异结果、不稳定等问题。模型算法简单，在一定参数范围内精度高，稳定性好，容易编程实现和便于实际应用。通过网络训练、仿真和误差分析，对RBFNN和GRNN模型参数及其适用范围进行了比较研究．找到了镍铬一康铜热电偶-270—1000℃模型和镍铬一镍硅热电偶0—1370℃模型的适宜的分布密度参数范围。     

基于RBF神经网络的水处理系统建模与仿真

利用径向基函数(RBF)神经网络的特点,采用神经网络对活性污泥法水处理系统进行建模,提出了一种RBF网络学习的新算法,即将改进的减聚类算法和动态最近邻聚类算法相结合的算法.仿真结果表明,该算法先进有效,用其建立的模型具有较强的实用性,为实现水处理系统的在线实时预测控制提供了可行的途径.     

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.     

基于RBF神经网络的锅炉燃烧系统建模

用RBF神经网络分别建立了锅炉效率的预测模型和NO_x排放的预测模型,用遗传算法优化RBF网络的参数,不经过反复的试验就能快速地得到比较精确的模型。     

基于RBF神经网络的图形分类方法

采用傅立叶变换的方法提取图形的特征,并用两种确定RBF网络结构的方法进行了分类试验,在MPEG-7使用的数据集Kimia上的测试结果表明两种方法确定的RBF神经网络都能提供较满意的结果,并且用聚类方法确定的网络在网络规模和分类准确率上优于用递增方法确定的神经网络。     

基于聚类分析的RBF网络建模方法及应用的研究

该文提出了基于聚类分析的RBF（Radial Basis Function）网络建模方法：利用聚类分析确定RBF神经网络的隐层参数，运用最小二乘法确定RBF神经网络的输出层参数。重点介绍了聚类分析的理论和算法。根据聚类分析和RBF网络结合后的优点以及中医证候大数据、大样本、多中心且无明确函数关系的特性，提出了用该方法建模应用于中医证候诊断，改进了BP（Back Propagation）网络用于中医证候诊断建模的不足之处，并拓宽了RBF神经网络的应用。最后，用2-型糖尿病文献数据库验证了该方法的有效性和合理性。     

基于模糊RBF神经网络的换热器建模

针对换热器的复杂非线性特征,利用一种模糊RBF神经网络结构,对其网络学习算法进行部分改进,并用于解决换热器的建模问题。采用模糊RBF神经网络不仅符合人的思维推理方式,也提高了神经网络的学习泛化能力,在改进的学习算法中通过学习率的值的不断变化和添加动量项,可以使学习速度加快,提高了辨识换热器模型的准确性。通过与传统的学习算法的仿真比较,验证了所提出的改进学习算法在辨识精度和稳定性方面具有更好的效果。     

一种基于RBF神经网络的XML文本分类方法

为了快速有效地组织和分析海量的XML文本信息,XML文本的自动分类必不可少.文中提出了一种基于RBF神经网络的分类方法,并运用改进型的CHI统计量方法进行特征提取,对传统的加权公式进行了一些改进,再运用资源优化神经网络(RON)进行训练,做了必要的实验分析.实验结果表明该分离器有较高的分类质量,提高了分类的效率,有较高的分类准确性,满足了XML文本自动分类的要求.     

基于RBF神经网络的摩擦补偿建模与控制

机械系统摩擦的精确数学模型很难建立,因此,尝试采用RBF神经网络系统在线逼近摩擦模型并将辨识结果作为控制算法的补偿项。在控制方法上,采用了基于RBF神经网络系统补偿的PD算法。在系统证明上,从李雅普诺夫函数中导出了自适应参数并且分析了闭环系统跟踪误差的有界性。利用Matlab对提出的方法及证明的有效性进行了验证。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

基于RBF神经网络的可信加密流量分类方法

网络流量分类广泛应用于网络资源分配、流量调度、入侵检测系统等研究领域。随着加密协议的普及和网络流量快速发展,基于深度学习的流量分类器由于其自动提取特征的特性和较高的分类准确性,逐渐受到科研人员的重视,但是面向网络流量分类的可信程度方面却不曾有研究。本文提出一种基于RBF神经网络对加密网络流量进行可信分类的方法。所提算法建立在RBF网络的思想上并采用一种新的损失函数和质心更新方案来进行训练,通过使用梯度惩罚强制检测输入的变化,能够有效地检测分布外的数据。在2个公共的ISCX VPN-nonVPN和USTC-TFC2016流量数据集上,与同类算法相比,所提算法取得了最好的分布外检测结果,在AUROC指标上达到98.55%。实验结果表明所提算法在具有较高分类性能的同时,能够有效地检测出分布外的流量数据,从而提高流量分类的可信性。     

基于神经网络重力固体潮信号的建模与预测

重力固体潮信号主要是由于太阳、月亮等天体轨道相对位置变化而产生的,同时受地质、水文、大气等地理条件变化的影响,所以既是一个有规律、周期性变化的信号,也包含反映地质、水文、大气等地理条件变化的异常信息。通过对重力固体潮信号的建模,可反映、预测重力固体潮信号中周期性变化的基本规律,通过对比其理论计算值,可进一步提取重力固体潮信号中的异常变化信息。基于一种具有强鲁棒性、纯随机搜索的新群体智能优化算法,改进径向基神经网络学习算法,避免学习算法进入局部最优,提高网络训练的有效性和所建网络模型的可靠性。在实验中,利用重力固体潮信号训练改进的径向基神经网络,得到了重力固体潮信号的有效径向基神经网络模型。利用上述模型预测重力固体潮信号的估计值,并与传统径向基神经网络模型、AR模型预测结果进行对比,表明改进训练算法的径向基网络模型预测的结果更加精确,说明改进训练算法在重力固体潮信号的径向基网络建模中是有效的,可推广应用于其它时间信号序列的建模与预测中。     

基于RBFNN的硫熏强度软测量建模

硫熏强度是亚法糖厂澄清工段非常重要的一个工艺指标,硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高。由于目前尚缺乏合适的硫熏强度在线测试仪,人工化验滞后时间较长,难以根据该指标及时指导生产。为此,提出了一种基于糖厂澄清过程大量离/在线历史数据的硫熏强度软测量方法,分别建立基于径向基函数神经网络(RBFNN)、BP神经网络方法和广义动态模糊神经网络(GDFNN)的硫熏强度软测量模型。通过对模型的性能进行对比分析,说明了基于RBFNN硫熏强度软测量模型的优越性。