基于LSSVM与WNN的燃气轮机状态趋势预测

为了对燃气轮机未来状态趋势进行预测,提出基于最小二乘支持向量机(LSSVM)与小波神经网络(WNN)组合的燃气轮机状态趋势预测方法,把最小二乘支持向量机的预测结果分为两部分,将实际参数数据与前一部分的预测结果计算残差,然后利用小波神经网络对残差进行预测,再将预测的残差与最小二乘支持向量机的预测结果的后一部分进行合成,将合成的结果作为最小二乘支持向量机-小波预测模型的预测结果。结合某型燃气轮机进行试验验证,验证结果表明,组合的最小二乘支持向量机与小波神经网络预测模型预测效果更好,预测结果相对误差为0.12%。     

基于RBF神经网络和定性趋势分析的传感器故障诊断

针对传感器偏置故障及漂移故障,提出了一种基于RBF神经网络和定性趋势分析的传感器故障诊断方法.该方法充分利用控制系统闭环回路测控信息,建立RBF神经网络预测器,通过将RBF神经网络的预测输出值与传感器实际输出相比较获取残差序列,根据残差首先判断传感器是否发生故障,然后用定性趋势分析方法获得传感器偏置故障和漂移故障的辨识...     

实船训练系统中柴油机转速的粒子群优化RBF神经网络预测

针对柴油机是一个具有不确定性因素的强非线性系统,首先将RBF网络的参数编码成粒子群优化算法中的粒子个体进行优化;然后,利用粒子群算法的全局寻优能力优化RBF神经网络的关键参数;最后,建立了柴油机转速的预测模型。仿真结果表明:该算法使得柴油机转速的预测速度和精度都得到了提高。     

基于K-means-RBF的机载传感器评估

针对传统RBF神经网络存在的高维数据学习训练问题,采用K-means聚类算法设计RBF神经网络数据中心,建立基于聚类RBF神经网络的机载传感器精度评估模型,运用改进的RBF神经网络对机载传感器系统进行精度评估研究.仿真研究结果表明,与传统RBF神经网络评估算法相比,该算法有效减少评估时间,提高预测精度,表明算法是合理和有效的.     

基于改进半监督FCM聚类的复合材料超声检测脱粘缺陷识别

针对径向基（RBF）神经网络在进行超声检测脱粘缺陷识别时存在参数选择不确定、网络结构鲁棒性差等问题,提出一种改进的自适应半监督模糊C均值聚类（FCM）的RBF神经网络的方法,将kw近邻估计法和半监督模糊C均值聚类方法相结合,改进了隶属度函数,自适应确定聚类数目。将改进的RBF神经网络应用于超声检测脱粘缺陷识别,实验结果表明：与传统RBF神经网络相比,本方法减弱了孤立样本对网络结构的影响,增强了网络结构的鲁棒性,提高了脱粘缺陷识别的准确率,是一种较好的超声检测脱粘缺陷识别分类方法．     

基于RBF神经网络的军事物流设施规模预测

确定合理的军事物流设施规模对于成功实施军事后勤保障十分重要。提出了基于RBF神经网络的军事物流设施规模预测模型的建模方法,该方法旨在确定军事物流设施规模与其影响因素之间的非线性关系;采用算例说明了基于RBF神经网络的军事物流设施规模预测的具体做法,对军事物流设施规模的确定具有指导意义。     

RBF神经网络的火箭发动机成本预测

神经网络技术已广泛应用于各工业控制部门, RBF神经网络是对一般BP神经网络的改进.尝试将其应用于固体火箭发动机成本预测中.首先利用已有的成本信息对该神经网络进行训练,使其对已有信息的预测误差小于规定值,再将其用于其他条件下的成本预测.结果表明,实际预测效果较为理想,从而为固体火箭发动机成本预测提供了一种新的方法.     

导弹固体火箭发动机贮存寿命预测方法研究

为更准确地预测导弹固体火箭发动机贮存寿命,提出将Monte Carlo随机有限元法与RBF神经网络相结合,对固体发动机贮存寿命进行预测。对固体火箭发动机的结构可靠性利用Monte Carlo随机有限元法开展了不确定性分析,以此获得药柱的结构可靠性指标;基于RBF神经网络对固体发动机可靠性下降趋势进行预测,进而预测出导弹固体发动机寿命。     

比例最小偏度单形UKF的RBF神经网络算法

为提高RBF神经网络的建模性能,提出一种基于改进无迹Kalman滤波(UKF)的RBF神经网络训练算法。在该算法中,首先将比例最小偏度单形Sigma点采样策略引入UT,以有效改进UKF,提升其计算效率,然后利用改进的UKF优化估计RBF神经网络的最优参数。仿真结果表明,改进的UKF比EKF具有更高的RBF神经网络模型训练精度,与传统UKF的模型精度大体相当,但速度更快,计算效率更高。     

军用飞机采购价格的RBF神经网络预测

分析了现代军用飞机采购价格估算中存在的问题.应用基于k-均值聚类算法的RBF神经网络建立了军用飞机采购价格预测模型,并采用该模型对某型军用飞机采购价格进行了预测.与多元线性回归和BP神经网络的预测结果对比,建立的新型军用飞机采购价格预测模型具有更高的预测精度,为军用飞机采购价格预测提供了一种新的有效方法.     

三种RBF网络函数逼近性能对比及应用研究

非线性函数逼近问题是神经网络数据处理的具体应用之一,在相同误差指标和目标参数的情况下,以具体的非线性函数为例,仿真对比了径向基神经网络(Radical Basis Function,RBF)、模糊RBF和基于遗传算法的模糊RBF网络的逼近性能。结果表明,3种RBF网络结构都能够较好的逼近目标函数,但模糊RBF与GA-RBF网络结构较基本RBF网络结构而言能够更早达到较小的逼近误差范围。在此基础上,仿真验证了模糊GA-RBF网络应用于间接型自校正控制的有效性。     

低气压环境下柴油机涡轮增压器转速实车估算方法

针对涡轮增压器转速实车测量中存在安装困难、精度低的问题,提出了利用RBF神经网络和BP神经网络估算涡轮增压器转速的方法。分别建立了基于RBF神经网络和BP神经网络增压器转速估算模型,通过与台架试验测试样本比较,模型误差分别2.25%和2.27%。同时,RBF神经网络较BP神经网络,具有训练次数少,收敛速度快、结果稳定的优点,更适合实车涡轮增压器转速估算。     

基于模糊神经网络的储运发箱吊装PID控制

针对火箭炮储运发箱自动吊装系统中存在的非线性因素,如电液伺服系统中存在的摩擦和间隙以及吊装过程中受到的扰动,传统PID控制难以实现高精度控制。对自动吊装系统中的各部件建模,提出一种通过模糊神经网络整定PID参数的控制方法。将偏差、偏差变化量和偏差累计量作为输入,利用RBF神经网络优化模糊规则,对PID的3个参数:K_p、K_i、K_d进行整定。根据仿真结果,采用RBF模糊神经网络调整后,能有效提高抗干扰能力和吊装的定位精度。     

RBF神经网络在异步电机故障诊断中的应用

将径向基(RBF)神经网络应用到电机的故障诊断中,建立了异步电机的RBF神经网络诊断模型。为了克服RBF神经网络学习算法的不足,引入了差分进化(DE)算法,并且利用了差分进化(DE)算法的全局搜索能力来优化RBF神经网络基函数的中心、宽度以及网络的连接权值,以获得最优的网络模型。仿真结果表明优化后的RBF神经网络的泛化能力和诊断精度都得到了大幅度提高。     

H_∞滤波混合优化RBF在SINS动基座传递对准中的应用

为解决SINS动基座传递对准的快速精确问题,将混合优化的RBF神经网络应用于此。首先运用递阶遗传算法优化RBF神经网络的拓扑结构,并对网络其余参数进行全局粗调;在此基础上运用H∞滤波算法对网络其余参数进行在线自适应精调。其计算机仿真结果与扩展卡尔曼滤波比较表明:该算法在精度、实时性方面与扩展卡尔曼滤波相比提高了将近50%。     

混沌时间序列中弱信号的检测

介绍了混沌的基本特性,利用混沌时间序列对RBF神经网络进行训练,则训练好的神经网络对混沌序列未来时刻的值具有一定的预测能力.若混沌序列中包含有目标信号,则其混沌特性将受到影响,导致神经网络对其预测误差的增大.这样可根据预测误差对淹没在混沌杂波及混沌杂波加一定强度的白噪声中的弱目标信号进行检测.仿真结果表明这种方法优于传统的目标检测方法,有着较好的杂波抑制能力.     

基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

基于ELM的作战方案样本验证及评估方法

针对专家制定作战方案训练样本时容易受主观性影响的问题,提出了基于ELM的样本验证及评估方法。首先根据ELM建立作战方案样本的预测模型,然后更正错误标记的样本。仿真实验表明,利用ELM模型训练更正后的样本集能有效降低均方根误差值和提高预测的准确率。与RBF神经网络相比,训练ELM模型的时间缩短了98.8%,而且无需调节激活函数的参数就可以得到足够好的泛化性能。     

基于改进粒子群优化RBF神经网络的算法

针对粒子群算法易陷入局部极小的缺陷,提出了一种改进的粒子群优化算法,并将改进后的算法应用到RBF神经网络核函数参数的选取中。依照文中提出的编码方式、迭代公式和适应度函数,在全局空间中搜索具有最优适应值的参数向量。实例仿真表明,基于改进粒子群算法优化的RBF神经网络不仅收敛速度快,且误差精度高。     

基于RBF神经网络的导弹自动驾驶仪故障诊断

系统地分析了某型导弹自动驾驶仪的结构功能,在此基础上提出了采用RBF(径向基函数)神经网络对自动驾驶仪进行故障诊断的方法;提出了用Gauss(高斯)函数对获取的数据进行归一化处理的方法,再用处理后的数据训练RBF神经网络。实验结果表明,训练后的神经网络能快速、准确地诊断自动驾驶仪的故障,为自动驾驶仪的故障诊断提出了一种新的方法。