RBF神经网络在红外CO_2传感器压力补偿中的应用研究

在红外CO2传感器的测量过程中,环境总压是一个重要的影响因素。在环境总压变化的情况下做好压力补偿得出正确的CO2气体分压值,对提高传感器的测量精度有重要意义。提出一种基于聚类和梯度法的径向基函数(RBF)神经网络方法,利用它的局部逼近特性,建立起其在红外CO2传感器的非线性压力补偿中的网络模型。实验结果表明:该应用收到了良好的效果。     

基于广义回归神经网络的传感器非线性误差校正

介绍了径向基函数网络的函数逼近原理和方法,提出了一种基于广义回归神经网络(GRNN)的传感器非线性误差校正方法。通过Matlab的Network Toolbox(神经网络工具箱),GRNN训练程序实现了输出特性曲线逼近。仿真分析表明:GRNN能够很好地满足传感器非线性拟合的要求,网络结构简单,收敛速度快。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

带边界约束的4片相邻三角Bézier曲面的近似合并

基于Jacobi基的性质以及条件极值问题的求解,对4片相邻三角Bézier曲面进行了近似合并.首先利用Jacobi基的正交性及其与Bézier基之间的基转换矩阵,得到合并前后三角Bézier曲面距离函数的L2范数;为了保证合并前后三角Bézier曲面在边界C0连续以及角点处高阶连续,控制顶点必须满足一系列线性约束.为得到与原曲面距离最小的近似合并曲面,只需要利用Lagrange乘子法解决带线性约束的条件极值即可.合并三角Bézier曲面的控制顶点可用矩阵显式表达,且合并的逼近误差可由合并前后曲面距离函数的L1范数形式精确给出.通过提高合并三角Bézier曲面的次数,可减小合并误差、改善合并效果.数值实例表明,该方法计算简单、直接,适用性强,逼近效果佳.     

基于RBF神经网络混合遗传算法的多用户检测

提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构.并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中.仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好.     

不规则网格上的曲面设计方法

提出一种在不规则网格上构造曲面的方法.其基本思想是,通过均匀双三次B样条基函数的分解和子基函数的分类,将B样条曲面方法推广到任意四边形网格.给定一个任意四边形控制网格,首先对每个控制点构造一个基函数;所有控制点加权组合形成整体曲面.构造的曲面是分片双三次有理参数多项式曲面.此方法可以看成是均匀B样条曲面构造方法的扩展,如果控制网格是规则四边形网格,那么构造得到的曲面与均匀双三次B样条曲面是一致的.最后,实例证明此方法能够有效地构造曲面.     

一种过程支持向量机及其在动态模式分类中的应用

针对一般SVM在机制上难以直接对动态模式进行分类的问题,提出了一种基于函数正交基展开的过程支持向量机.该模型的输入为时变函数,输出为模式类别.在输入函数空间中选择一组适当的正交函数基,将输入函数在该组函数基下进行有限项展开,把展开式系数作为核函数的输入.由于时变函数在基函数映射下与展开式系数一一对应,从而可利用SVM的变换机制实现动态模式分类.给出了基于SMO的求解算法,实验结果验证了模型和算法的有效性.     

人脸识别中应用小波变换的三个关键问题

由于小渡分解在空域和频域上都能提供良好的局部信息,尤其是在小渡分解后可以减少图像的分辨率,进而相应地减少计算复杂度,因此小波变换经常用于图像处理和图像分析中.本文讨论小波变换用于人脸识别的三个关键问题:小波基的选择、分解层数和小波子图的确定,通过实验分析和比较研究得出相应的答案和指导原则,并提出了一种新的人脸识别方法.     

电火花加工智能控制系统的建模及仿真

为增强电火花加工过程的稳定性,基于模糊RBF神经网络智能控制,同时利用模糊控制的解耦性,以在电火花加工过程中统计的空载率、正常放电率、不正常放电率(包括电弧及短路放电)、相对于脉冲周期和他抬刀周期的正常放电率为输入,设计了以伺服参考电压、脉冲间隔和抬刀周期为输出的电火花加工模糊RBF神经控制器,并利用MATLAB对设计的模糊RBF神经控制器进行了建模及仿真.仿真结果表明了模糊RBF神经网络控制系统在电火花加工中对于稳定加工状态的有效性.     

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一和神经网络.RBF核函数型支持向量机是一种性能卓越的新型学习机.将这两种学习机进行对比分析,以期在实际应用中做出更好的选择.首先,在理论上分析了这两种学习机在分类原理上的异同.接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标.最后,提出了在应用这两种学习机进行模式识别时应注意的方面.实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%.这说明RBF型支持向量机的性能要优于RBF网络.但是RBF网络易于实现,在样本数日足够多的情况下也不不失为一种好的算法.