基于正交最小二乘学习算法的径向基函数网络设计

利用正交最小二乘（ＯＬＳ）方法给出径向基函数网络（ＲＢＦＮ）中心的选择算法；用ＯＬＳ学习算法选择ＲＢＦＮ中心，基本思想是以ＯＬＳ算法导出的误差下降速率指标为依据，按照每个正交向量对误差下降速率的贡献大小，依次选取作为网络的中心向量，所得到的网络不但具有唯一性，而且还有最少的中心数目；给出应用实例，实例说明，生成的网络规模小、速度快、而且能够避免数值病态情况的发生。     

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。     

径向基神经网络在三维激光切割中的应用

分析了RBF神经网络的特点，并研究了它在三维激光切割中的应用，利用该神经网络及其变形可以预测切缝的宽度，也可以根据输入参数对试样的挂渣与否进行判定。比较了三雏激光切割中切割倾角和切割方向对切割质量的影响，从而实现切割质量的预测和优化工艺参数的选取以指导实际的切割过程。     

应用径向基函数神经网络的经纬仪跟踪误差建模

提出了一种基于径向基函数(RBF)神经网络建立光电经纬仪等效跟踪误差模型的方法来评价光电经纬仪的跟踪性能.分析了光电经纬仪存在的非线性因素,说明了采用理论建模方法难以准确描述其全部过程的原因.然后,介绍了RBF神经网络和靶标系统,基于一组靶标参数建立了RBF神经网络模型,并更换靶标参数进行模型验证.最后,对更换后的靶标参数进行重新训练建模,并改变参数周期,对模型进行了验证.实验结果表明:所建的神经网络模型精度与靶标参数有关,当动态靶标的半椎角a为21.2°,倾角b为43.8°,靶标匀速运行周期T为8.5s时,网络模型在靶标速度最大时误差也达到最大为3.18′,其它时刻均小于0.6′.当a为16.6°,b为37.5°,T为13 s时,模型最大误差为1.8′左右,在此模型下真实输出与网络模型输出的最大偏差为2.4′左右,其它时刻均小于1.2′.结果表明,采用RBF神经网络所建立的跟踪误差模型能够反应真实系统的情况,是可行实用的,且具有较高的精度和泛化能力.     

基于改进RBF神经网络的动态测量误差预测方法

该文针对传统的RBF神经网络预测方法的局限性，引入次胜者受惩（RPCL）算法和递归正交最小二乘算法（ROLS），进行了动态测量误差实时预测算法的研究。理论分析和预测实例表明，该方法预测精度明显高于传统的方法，具有很强的学习与泛化能力，在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很高的应用价值。     

基于径向基神经网络的直线超声电机位置控制

针对直线超声电机的精密位置控制,提出了一种基于径向基神经网络的自适应控制机制。鉴于直线超声电机工作原理,其运行状态必然受到摩擦、强非线性和时变等不确定性因素的干扰,为了对这些不确定性因素进行有效的逼近,采用了径向基神经网络。为了提高控制机制的自适应能力,首先利用来自试验数据的训练样本按正交最小二乘算法确定径向基神经网络的隐层单元的个数和相关参数,再按递推最小二乘法在线调整隐层与输出层之间的权重。试验结果表明,基于径向基神经网络的自适应控制器的性能不仅优于传统的PID控制和误差反向传播神经网络控制,而且具有很好的抗干扰能力。     

一类基于径向基函数神经网络的离散混沌系统控制

以OGY法作为混沌控制策略对径向基函数(RBF)神经网络进行训练,通过参数扰动模型输出得到控制混沌运功的小扰动信号作为混沌控制器。并以Henon映射的混沌行为为基础进行仿真模拟,结果表明该方法的有效性。     

EMD方法基于径向基神经网络预测的数据延拓与应用

把基于径向基神经网络(radbas function,RBF)预测的数据延拓技术引入经验模态分解(empirical mode decomposition,EMD)时频分析领域,论述基于RBF神经网络预测的数据延拓技术原理,通过对非线性仿真信号基于RBF神经网络预测延拓研究表明,该延拓技术是有效的,并且把该延拓技术应用于转子横向裂纹的时频分析,获得良好的效果.该研究成果能广泛用于信号时频分析领域.     

基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数(RBF)神经网络,进行了非线性时间序列的在线预测研究.该RBF网络通过次胜者受惩算法(RPCL)根据样本信息合理调节隐层中心,通过递归正交最小二乘算法(ROLS)更新网络输出层的连接权重.算法学习速率较快,从而提高了网络的实时性能.仿真结果表明该学习算法的实用性和有效性.     

基于径向基函数神经网络的板形模式识别研究

针对板带轧制过程中用于辨识板形模式的网络精度较低、在线速度较慢和获得网络辨识模型较复杂的问题,提出了一种基于径向基函数神经网络（RBF）的板形模式识别方法。该方法使输入节点减少,网络模型简化,并用模糊C均值算法和伪逆法确定RBF网络的参数,解决了传统方法学习时间较长的问题。实验表明,该方法能有效的提高板形模式识别的精度和速度。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

Adaptive neural network control of unknown nonlinear affine systems with input deadzone and output constraint

In this paper, we aim to solve the control problem of nonlinear affine systems, under the condition of the input deadzone and output constraint with the external unknown disturbance. To eliminate the effects of the input deadzone, a Radial Basis Function Neural Network (RBFNN) is introduced to compensate for the negative impact of input deadzone. Meanwhile, we design a barrier Lyapunov function to ensure that the output parameters are restricted. In support of the barrier Lyapunov method, we build an adaptive neural network controller based on state feedback and output feedback methods. The stability of the closed-loop system is proven via the Lyapunov method and the performance of the expected effects is verified in simulation.     

QFT Parameter-Scheduling control design for linear Time-Varying systems based on RBF networks

For most of linear time-varying (LTV) systems, it is difficult to design time-varying controllers in analytic way. Accordingly, by approximating LTV systems as uncertain linear time-invariant, control design approaches such as robust control have been applied to the resulting uncertain LTI systems. In particular, a robust control method such as quantitative feedback theory (QFT) has an advantage of guaranteeing the frozen-time stability and the performance specification against plant parameter uncertainties. However, if these methods are applied to the approximated linear time-invariant (LTI) plants with large uncertainty, the resulting control law becomes complicated and also may not become ineffective with faster dynamic behavior. In this paper, as a method to enhance the fast dynamic performance of LTV systems with bounded time-varying parameters, the approximated uncertainty of time-varying parameters are reduced by the proposed QFT parameter-scheduling control design based on radial basis function (RBF) networks.     

基于遗传算法的人工神经网络方法在激光切割工艺参数选取中的应用

针对激光切割过程中的主要参数，切割速度，版材厚度，辅助气压的大小以及激光器功率的选择，建立了一个基于遗传算法的人工神经网络结构。实验结果表明，该方法将遗传算法和神经网络的优点结合起来，克服了神经网络中容易陷于局部最优和遗传算法中收敛速度较慢的问题。从而解决了激光切割过程中选参难的问题。     

基于RBF神经网络的温度场重建算法研究

在声学法锅炉炉膛温度场测量中，重建算法是实现炉膛温度场重建的关键。本文提出一种基于径向基函数神经网络的复杂温度场重建算法。该算法首先对被测温度场用离散余弦变换，建立离散余弦变换低阶次项DCT系数向量与声波路径平均温度向量的映射关系，然后利用RBF神经网络良好的函数逼近能力实现该映射关系，并通过正交最小二乘法进行学习和训练，实现被测温度场的重建。本文对3种原型温度场进行了重建，并在40dB、30dB和20dB等3种不同噪声水平下进行了重建实验。仿真及初步实验结果表明，该算法具有温度场重建精度高、速度快、抗干扰能力强的特点。     

磁力仪温度误差的径向基神经网络补偿模型

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。     

EPS助力特性的改进RBF神经网络方法

针对电动助力转向(EPS)助力特性的非线性问题,提出应用径向基(RBF)神经网络强非线性能力进行电动助力转向(EPS)助力特性曲面拟合方法,并做出改进。应用改进均值聚类方法(k-means)对数据进行聚类,获取基函数参数,再用梯度下降法训练网络权值,并利用最优停止法对网络进行了优化。实验结果表明,该改进方法避免了过拟合现象,提高了网络的泛化能力,并且具有网络训练时间短,拟合的曲面精度高,预测能力强等优点。     

Signal processing circuit of laser gyro based on FPGA and DSP

This is a paper about laser gyro sign a l processing circuit which is designed based on field-programmable gate array(FPGA) and digital signal processor(DSP).Through a pre-amplifier circuit,FPGA and DSP,a weak current signal is converted and transferred,then sent to the computer to display the final results.Through the laser gyro performance te sting,the obtained results coincide with those of the existing methods.Thus th e d esigned circuit realizes the function of laser gyro signal processing.     

基于径向基函数网络的图像三维恢复技术在雕刻加工中的应用

基于图像的三维恢复技术的目的是采用单幅图像中物体表面的明暗变化来恢复其表面各点的相对高度,从而对三维物体进行曲面恢复。提出了一种基于径向基函数网络模型进行图像三维恢复的新方法,建立了径向基函数的网络模型,并构造出一个曲面公式, 其中输出对两个输入变量的偏导数满足反射函数方程,反射函数方程中的灰度值已知,利用反射函数与灰度值之间的误差作为约束条件调节网络权因子、径向基函数中心和宽度,使得构造的曲面中每一点都满足反射函数方程,从而拟合整个曲面。该方法无需光滑约束和积分约束条件,求出的解是一个连续解。通过不同方法对合成图像圆球和花瓶的实验表明,该算法恢复的曲面的高度点最大误差精度提高1倍到4倍,平均误差精度提高5倍到20倍,恢复的曲面具有良好的连续性和光滑性,它不仅可以恢复图像中各网络点的高度,而且可自动内插网络点之间任意点,适合于任意反射模型图像的曲面反求,恢复出的曲面便于进行后置处理生成刀具路径,并进行雕刻加工。