基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF BP复合神经网络模型的平均均方误差与平均绝对误差分别下降2821%、1519%和1251%、1255%,表明RBF BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。     

基于RBF人工神经网络的生活污水处理软测量方法

为实现城市生活污水处理的在线控制,提出了基于RBF人工神经网络的软测量方法.运用大量实测数据对RBF神经网络进行了训练和仿真.结果表明,基于RBF神经网络的软测量模型对污水处理指标BOD的实时控制具有实用价值.     

神经网络多模型软测量技术及应用

基于多模型思想，采用模糊聚类的方法对软测量数据进行了分类，对每类数据基于神经网络(NN)建模，采用RBF神经网络构造了每个数据样本的隶属度，将各模型输出的数据进行隶属度加权求和得到最终的软测量输出，并对某催化重整生产装置催化剂再生器氧含量进行了建模研究，获得了满意的结果。     

基于模糊神经网络的球团密度在线测量

提出了一种在线测量球团密度的新方法．该方法以模糊神经网络技术为基础,综合考虑制团过程各因素对球团密度的影响,建立起球团密度的软测量模型．在软测量模型中,采用模糊神经网络模型描述球团密度变化的非线性过程,并提出了一种改进的模型辨识算法,利用减法聚类法确定合适的聚类组数目,并用实数编码的遗传算法优化全局参数,从而获得了结构简单、具有较高精度的模糊神经网络软测量模型．根据此方法,设计了测量装置,并进行了现场试验,试验结果表明软测量模型输出与实验室测量值基本一致,平均误差较低且最大误差未超过0．05g／cm^3．     

基于主元分析和RBF神经网络的火灾模拟实验炉温软测量

软测量也称为软仪表技术,采用主元分析和RBF神经网络相结合的融合模型构成火灾模拟实验炉温软测量。主元分析（PCA）实现输入变量的降维,RBF神经网络采用K－均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛。该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高２倍以上。     

基于RBF神经网络的丙烯腈收率软测量方法

针对丙烯腈生产在线收率的测量问题,通过研究RBF网络的特点,利用其学习时间短且具有良好的逼近性能,及其在建立软测量模型中的较大优越性,采用RBF网络建立丙烯腈收率在线测量的软测量模型,并运用大量实测数据进行训练和仿真.结果表明,该方法可以实现对丙烯腈收率的在线测量,为实现直接质量控制奠定了基础.     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

基于RBF神经网络的温度传感器故障诊断

采用RBF神经网络进行温度传感器故障检测,利用TE （Tennessee-Eastman）控制系统中的温度传感器的输出信息建立动态神经网络温度传感器输出模型,并利用该模型进行在线的故障检测,仿真结果表明该模型有很强的抗干扰性,同时还有较好的收敛性和稳定性.     

基于SSA-RBF的灌区流量预测

水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm, SSA)与径向基神经网络(radial basis function, RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines, ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.011 9,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。     

一种基于89C51单片机的臭氧浓度在线测量系统

研究了采用紫外吸收法的基于89C51单片机的臭氧浓度在线测量系统，介绍了系统的组成、主要模块的工作原理及程序流程图，采用数字滤波技术去除气路切换造成的测量粗差，提高和确保了系统测量精度与准确性．该系统能够与数控型臭氧发生器电源供电系统通讯，实现臭氧生产的闭环控制．     

RBF网络在电喷发动机故障诊断中的应用

阐述了神经网络的模型、算法和分类,利用电喷发动机实测数据作为学习样本,采用径向基函数神经网络建立发动机的故障诊断模型,通过该模型对电喷发动机的参数进行了辨识,表明RBF网络学习速度很快,适于在线实时监测与诊断.     

一种基于径向基函数神经网络的自整定PID控制器

文章针对工业控制中最常用PID控制方法中存在的问题,讨论了基于径向基函数神经网络的PID控制,通过神经网络的自学习进行在线参数整定。并利用Matlab软件进行仿真。仿真结果表明,基于径向基函数的神经网络PID控制器具有较高的精度和较强的适应性,可以获得满意的控制效果。     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

低浓度染色废水的臭氧-活性炭在线脱色及其回用的研究

利用臭氧脱色和活性嶷吸附联用技术在线连续处理印染加工中的低浓度废水。考察了多种染料利用臭氧-活性炭吸附联用在线处理的效果，以及臭氧用量、温度、pH值、盐分对废水脱色率的影响。结果表明，用谊工艺处理大多数水溶性染料废水都有较好的效果。低浓度的染色洗涤废水处理后，出水接近无色，CODCr去除率在80％以上，回用于后道水洗工序效果良好，从而达到减少染色加工用水的目的。     

基于ARMA-GARCH模型的南宁市O3浓度预测研究

为探索采用时间序列模型快速预测臭氧浓度,以南宁市日均O_3浓度数据作为研究对象,收集2017年1月1日至2017年12月31日O_3日均浓度时间序列,构建ARMA-GARCH模型,对2018年1月1日至2018年1月31日O_3日均浓度进行预测。研究结果表明,构建的时间序列模型预测值拟合曲线基本能与实测值保持一致,经检验发现,在拟合曲线峰、谷值及其前后容易出现较大误差,短期预测结果较准确。     

基于RBF神经网络的电站锅炉燃烧系统非线性建模

应用RBF神经网络辨识方法建立了锅炉燃烧系统非线性模型,它可在运行中自动学习,适应很大工况范围及锅炉特性的时变性.应用结果表明所建立的模型能有效跟踪锅炉运行特性,具有很好的泛化能力,为锅炉燃烧系统优化控制和在线预测奠定了基础.