RBPN在模式识别研究中的应用

基于RBF(radialbasisfunction)网络和感知器 (perceptron)网络建立起一种新型四层前向神经网络———径向基感知器网络 (RBPN, radialbasisperceptronnetwork). 该网络主要有以下特点 :1)网络结构上, 两层隐层选择性连接 ;2 )学习规则上, 采用同时考虑输入输出样本信息的IOC(input outputclustering)聚类方法且聚类中心的形状参数σ自适应变化. 对材料成分分析领域的仿真结果表明, 该网络可成功地包含材料成分的构成信息,     

一种基于RS—485总线的远程通讯系统软件实现

远程网络通讯对现代控制系统实现远程数据采集具有重要意义。本文介绍了一种基于RS－485总线互连的PC机之间的远程数据通讯软件的设计思想和其实现方法。     

基于RBF网络的红外多光谱辐射测温

在目标发射率未知的情况下,建立一种基于RBF(radial basis function)神经网络的红外测温方法。首先推导出目标温度同辐射亮度峰值及其波长之间的强非线性关系,明确神经网络输入变量;然后基于RBF网络对样本数据进行充分学习,建立目标辐射测温模型,该模型不需要发射率输入。利用黑体和钢板目标分别作为测试目标源,验证这种方法,得到黑体测温最大相对误差为0.016%、钢板的最大相对误差为1.08%,验证了本文测温方法的合理性。     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

神经网络应用于多元变量时间序列的建模研究

自然界复杂系统的动态特性通常包含在多个变量时间序列的演化轨迹中。采用主成分分析与神经网络相结合的方法，进行多元变量时间序列的建模和预测研究。主要思路是首先通过主成分分析法找到一组相互独立的输入变量；再利用神经网络实现多个变量之间以及变量当前状态和未来状态之间的函数映射。多组实例仿真结果证明了该方法进行多元变量预测的可能性和有效性。     

刀具声发射信号的组合去噪及特征分析

针对刀具切削加工过程产生的声发射信号进行噪音滤除,以有效监测刀具磨损情况,提高工件加工质量。研究形态滤波与集合平均经验模态分解(EEMD)的有效组合方法,在时域和频域对信号进行降噪处理。首先采用加权级联形态滤波,滤除声发射信号的尖峰脉冲干扰;进而采用EEMD分解处理后的信号,计算所得本征模态分量(IMF)的相关性以去除虚假分量,达到去噪效果。仿真实例分别对模拟加噪声发射信号和实测刀具声发射信号进行处理,并提取去噪前后信号频率特征进行比较,仿真结果说明了此方法的有效性。     

无人机方向舵有限卡死两轮起飞滑跑分析

故障无人机地面滑跑起飞时的运动特性与正常无人机不同。描述了无人机两轮起飞滑跑的过程,通过详细分析方向舵卡死在固定角度时,无人机两轮滑跑的受力情况,建立了纵向和侧向的非线性动力学方程。并在此基础上通过无人机的安全起飞要求和最小离地速度,确定了使无人机可控的方向舵最大卡死角度。最后以某型飞机为例进行计算,结果证明本文分析的有效性。为故障无人机起飞安全提供了理论依据,对控制律的设计具有重要的指导作用。     

声发射熵分析刀具磨损故障预测研究

刀具在加工过程中不断磨损,直接影响构件的加工精度。根据采集的刀具声发射信号,分析声发射序列熵值在不同切削阶段的概率分布特征,建立一种基于刀具磨损状态的重心熵值的阈值检测方法。同时采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)建立声发射序列的熵值预测模型,结合熵值检测实现刀具磨损状态的高精度监测。仿真结果表明:采用最小二乘支持向量机预测熵值能够达到较高的预测精度;刀具的阈值检测,能够及时发现刀具的磨损故障,提高加工效率;二者结合,能够满足实际生产加工需要。