无线电信号识别方法的研究

文章提出了小波分析与神经网络相结合的方法自动识别无线电信号的调制类型.文中分别用常规的方法和小波的方法提取信号的特征参数，送入RBF（Radial Basis Function）网络，按照样本距离最小的原则进行聚类，利用RBF网络的快速收敛性和较好的自适应性，实现对无线电信号的识别.仿真结果表明，采用小波与神经网络相结合的分类方法，能获得满意的识别率。     

基于径向基神经网络的旋转机械故障诊断

针对旋转机械故障征兆与故障模式映射的复杂性,以及BP网络容易陷入局部极小、收敛速度慢等缺点,提出基于径向基（RBF）神经网络的风机故障诊断方法。以风机振动信号的7段频谱能量峰值作为故障特征,采用训练好的RBF网络进行故障辨识。结果表明,RBF网络能满足风机故障诊断的准确性,并在避免局部极小和节约训练时间方面有较好的实用性。     

带落角约束的导弹制导与控制一体化设计

对带有落角约束的导弹制导与控制一体化设计进行了研究。首先建立了俯仰通道的制导与控制一体化模型,利用自适应RBF神经网络对干扰进行在线估计,运用反演递推方法和滑模控制的方法设计了控制器,并且分析了闭环系统的稳定性。数字仿真表明所设计的控制器满足导弹打击精度和落角限制要求。     

一种基于混合模型的离子单通道信号重构算法研究

细胞膜离子单通道信号是皮安级的随机离子电流,膜片钳技术记录中单通道电流往往被淹没在强背景噪声中.本文提出了一种隐马尔可夫模型(HMM)和径向基函数(RBF)神经网络相结合的混合模型,用于白噪声背景下细胞膜离子单通道电流的统计重构.该方法首先采用RBF网络强大的模式分类能力,确定离子单通道信号的电流幅值水平;然后利用HMM模型强时序信号处理能力,估计通道的动力学参数.在此基础上,从强噪声污染的膜片钳记录中统计重构理想化的通道电流信号.理论和仿真实验结果表明,在低信噪比情况下(SNR＜5.0),该混合模型重构信号精度高,且具有较强的噪声鲁棒性.     

RBF神经网络的梯度下降训练方法中的学习步长优化

梯度下降法是训练ＲＢＦ神经网络的一种有效方法。和其他基于下降法的算法一样,ＲＢＦ神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Ｔａｙｌｏｒ展开,构造了一种优化学习步长的方法,进行了较详细的推导：实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。     

矿用红外一氧化碳监测仪设计

针对井下温度、湿度等特点,文章提出了一种神经网络数学模型补偿方法,采用最大最小距离法确定聚类数目,用聚类算法计算RBF神经网络中心和扩展常数,实验结果表明,新型红外一氧化碳检测仪性能良好,抗干扰能力强,稳定性好,测试数据准确,可连续在线监测.     

基于小波包变换与RBF网络的大地目标辨识

利用正交小波包变换的高信号时频分辨特性引入小波包能量特征提取法，用于五类典型大地目标的特征提取和距离可分性测度计算。结果显示，小波包能量特征提取法提取的五类典型大地目标特征具有更好的可分性。将小波包能量特征提取法与径向基函数网络相结合，提出了一种大地目标辨识算法。仿真实验表明，对于分解层次m＝5，信噪比SNR≥0dB，五类典型大地目标能完全辨识。表明该大地目标辨识方法在一定条件下是可行的，具有强的抗噪声干扰能力。     

求解超高压筒形容器爆破压力的神经网络方法

将BP和RBF神经网络的理论和算法应用于预测超高压容器爆破压力的研究中。选用MATLAB神经网络工具箱建立预测爆破压力的神经网络模型,研究模型中影响爆破压力的主要参数,内外径比值和材料的强度极限,屈服极限,屈服强度与强度极限的比值;选用Faupel、Crossland和Bones等文献中的爆破实验数据对神经网络模型进行训练,用训练好的神经网络模型对爆破压力进行预测。预测结果表明,用BP和RBF神经网络方法建立的模型能够对超高压筒形容器的爆破压力进行较为准确的预测。     

基于动态RBF网络辨识和模糊控制的弹道落点预测导引研究

针对目前远程弹道修正火箭弹中,滤波外推落点预测导引法存在导引系数确定难、导引精度低、自适应性与鲁棒性差的问题,提出了一种基于动态RBF神经网络在线辨识与带自调整因子模糊控制相结合的落点预测导引律.具体在传统滤波外推落点预测导引法的基础上,将预测落点偏差与偏差变化率作为模糊控制器输入量,通过RBF神经网络在线整定模糊控制的权重因子和比例因子,实现导引指令的自适应调整.仿真结果表明,同常规方法相比,在充分考虑随机扰动和测量误差情况下,具有更强的自适应性与鲁棒性,保持了较高的导引精度.     

永磁交流伺服系统的神经网络自适应控制研究

针对永磁交流伺服系统,提出了一种自适应PID控制器学习算法——带预测模型的神经网络PID控制方法。该方法采用一个三层RBF网络辨识交流伺服系统的特性,用另一个BP神经网络作为自适应控制器。仿真结果表明,在系统参数发生变化和存在负载转矩扰动的情况下,该方法具有较好的自适应能力和良好的动态性能。