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神经网络算法的连拱隧道围岩变形预测方法研究

利用径向基函数前馈式神经网络的特性,构建了连拱隧洞围岩变形的预测模型,并利用Matlab工具对模型进行求解。最后的工程实例对文章的方法进行了检验,其结果表明,此方法具有求解速度快,结果更为优化：预测效果更好等优点。     

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.     

RBF神经网络在爆破振动强度预测中的应用

在介绍RBF神经网络基本思想的基础上,建立了爆破振动预测模型,用RBF神经网络方法对质点振幅、主振频率及振动持续时间进行预测。用阳泉煤矿主井爆破开挖工程中所监测到的振动数据对模型进行了训练,并对27组数据进行了预测,实测结果和模型预测结果的对比表明,RBF神经网络预测模型能反映影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。     

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。     

基于分区的 RBF 神经网络颜色空间转换模型的研究

根据 CMYK 颜色空间的特点,对其进行了分区处理,利用 RBF 神经网络最佳逼近性能、全局最优特性和高度非线性转换的优势,构建了基于 RBF 神经网络每个颜色空间分区转换的正向和反向模型。 通过训练样本建模和测试仿真实验,并对最后的实验数据分析处理,最终获得了一个较好的神经网络模型,并且模型的精度非常高。     

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.     

一种用于状态预测的神经网络混合算法

本文将神经网络的BP算法和动态随机算法相互补充而形成一种混合算法,它克服了BP学习算法会陷入局部极小和随机算法耗时长的缺点.将这种算法用于齿轮泵出口流量预测,证明了这种算法学习速度快且能收敛于全局极小点.     

基于RBF神经网络的添加剂改性炭材料高温黏结剂的性能预报模型

在炭材料黏结剂添加剂改性实验数据的基础上，将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系，建立了添加剂改性炭材料黏结剂的RBF（Radial Basis Function径向基函数）神经网络性能预报模型，并与BP（Back-Propagation逆传播）人工神经网络进行了预报精度和训练过程比较。结果表明：上述两种模型对于黏结强度的预报平均相对误差分别为0．0127和0．0600，且BP人工神经网络易陷入局部最小。因此，RBF神经网络模型的预报能力较好，得出了具有较精确黏结性能的添加剂配方和热处理数据。可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率，为炭材料黏结剂提供一条有应用前景的理论设计途径。     

基于BP神经网络的改进粒子群优化股票预测

可以以较为精准的预测结果为依据来对股票市场进行及时指引与调控,这样更能保障我国国民经济的可持续顺利发展.本文的目的 是研究改进的基于粒子群优化算法的改进版BP神经网络股票预测,这种神经网络预测方法是以粒子群优化算法为基础并将其应用于股市预测,取得了较好的效果.详细给出了基于粒子群算法的神经网络模型的建立方法,同时本文还...     

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。     

应用神经网络进行短期负荷预测

以某地区购网有功功率的负荷数据为背景,建立了３个BP神经网络负荷预测模型———SDBP,LMBP 及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部 最小点的缺点,采用具有较快收敛速度及稳定性的L唱M（Levenberg唱Marquardt）优化算法进行预测,使平均相对误 差有了很大改善,而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力。     

基于RBF神经网络的船舶冲击谱速度数据挖掘与预报

船舶水下非接触爆炸载荷作用下的冲击环境计算分析是船舶设备抗冲击的一项关键工作,而如何快速有效的对船舶冲击环境进行准确预报是人们关心的问题。建立了10余艘尺寸分布合理、形式多样的船舶有限元计算模型,每艘船舶沿船长在不同甲板层上选取了分布均匀的400组样本测点,载入水下非接触爆炸载荷进行计算,形成120多万条船舶冲击环境数据,以此建立了大规模船舶冲击环境数据库,并以径向基神经网络为框架搭建了船舶冲击环境预报模型,分别将船舶的主尺度参数、船舶水下爆炸数值仿真的工况设置参数以及考察点的位置坐标作为神经网络的输入参数,以船舶考察点的谱速度作为唯一输出对搭建的RBF网络进行训练,并通过聚类算法对网络参数进行优化处理,模型训练完成后对未知船舶在给定工况下的冲击环境进行了预报及分析。预报结果表明,经过优化算法优化后径向基神经网络预报模型不仅具有较高的预报精度,且具有较好的泛化和鲁棒性能。该方法可为设计阶段船舶冲击环境的快速预报提供一种新型方法。     

基于OLS算法的RBF神经网络在大坝安全监测中的应用

文章介绍了RBF网络的基本原理以及网络中心选取OLS算法（正交最小二乘法）,并将该方法应用于大坝渗流安全监测资料的分析预报上,应用结果表明：该神经网路可以很好地克服BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,具有较快的运算速度、较强的非线性映射能力和较好的预报功能。     

RBF神经网络短期电力负荷预测研究

本文将径向基神经网络和采用非线性权值递减策略的粒子群优化（PSO）算法相结合对某缺电城市进行电力负荷的短期预报。在RBF神经网络对负荷进行预测的同时,通过PSO算法进一步确定其最佳扩展系数6,从而得到更精确的预测结果并提高网络的泛化能力,可以取得良好的效果。     

基于RBF神经网络的镍基TiN纳米复合镀层显微硬度预测

针对神经网络在预测复合镀层性能方面的应用情况,以及传统的BP神经网络存在缺陷;通过对RBF神经网络的基本原理和特点的研究,建立了利用RBF神经网络对Ni-TiN纳米复合镀层显微硬度进行预测的模型。通过实验数据验证了所建立的RBF神经网络模型具有很高的精确度,其最小相对误差可达0.62%,而且所建立的预测模型具有优化工艺参数的功能,对复合镀层的其它性能进行预测具有指导意义。     

一种基于RBF神经网络的温度控制系统设计

干体炉具有非线性、时变、纯滞后的特性,传统PID控制难以达到较高的控温效果。针对该特性提出一种RBF神经网络算法的控制系统设计方案,并搭建了干体炉硬件模块和接口模块,实现了一体化自动温度校准。实验表明,基于RBF神经网络的控制方法设计的干体炉具有结构简单、逼近速度快、控温效果好的特点。