基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．     

遗传算法在捷联惯导初始对准中的应用研究

本文分析了捷联惯性导航系统（SINS）进行初始对准的基本原理,简要介绍了遗传算示的搜索过程,并将其用于SINS的初始对准之中。根据初始对准的本质构建了GA的适应度函数,确定了遗传算子,基于惯性器件的量测值对这一过程进行了计算机仿真。仿真结果表明,将GA用于SINS的初始对准,精度与常规方法相仿,但由于GA的并行性和简单性,使得对准时间大大减少,具有很大的优越性。     

变量可分离函数的RBF神经网络拟合模型及其VC维

提出变量可分离函数的径向基函数网络拟合模型(Fitting Model based Radial Basis Function network to Variable Separable Function,VSRBF)及其学习算法并分析VSRBF的VC维.VSRBF是一个由多个子径向基函数网络组成的分工协作系统,由于把高维模型分解为低维模型,与传统径向基函数网络(Based Radial Basis Function Network,RBF)相比,VSRBF不仅明显地降低了系统复杂性而且网络的收敛速度更快.证明了VSRBF的VC维低于传统RBF的VC维,实验表明VSRBF在处理高维模型的行为明显优于RBF.     

船用捷联式惯性导航仿真系统设计及研究

针对船用捷联式惯性导航系统长时间工作后,精度明显下降,不能满足导航需求的问题,设计了一种模块化的船用捷联式惯性导航仿真系统,并进行了仿真研究。将船用捷联惯导设计为四个模块,分别为轨迹仿真模块、惯性器件仿真模块、导航解算模块和误差分析模块。利用建立的模型,仿真分析捷联式惯性导航系统姿态角、速度和位置误差的主要特性,研究天向速度的发散对东向和北向速度误差的影响,探究初始对准误差对导航精度的影响。结果表明,仿真系统可以很好的模拟舰船捷联式惯性导航系统的初始对准和导航过程;天向速度的发散和初始对准的精度都会直接影响导航精度。因此,在舰船长时间航行时,必须提高初始对准精度且引入阻尼系统,以减小船用捷联式惯性导航系统的导航误差。     

船用捷联式惯性导航仿真系统设计

针对船用捷联式惯性导航系统长时间工作后,精度明显下降,不能满足导航需求的问题,设计了一种模块化的船用捷联式惯性导航仿真系统;并进行了仿真研究。将船用捷联惯导设计为四个模块,分别为轨迹仿真模块、惯性器件仿真模块、导航解算模块和误差分析模块。利用建立的模型,仿真分析捷联式惯性导航系统姿态角、速度和位置误差的主要特性,研究天向速度的发散对东向和北向速度误差的影响,探究初始对准误差对导航精度的影响。结果表明,仿真系统可以很好地模拟舰船捷联式惯性导航系统的初始对准和导航过程;天向速度的发散和初始对准的精度都会直接影响导航精度。因此,在舰船长时间航行时,必须提高初始对准精度且引入阻尼系统,以减小船用捷联式惯性导航系统的导航误差。     

对偶四元数捷联惯性导航系统初始对准方法

采用对偶四元数将捷联惯性导航系统坐标系间的转动和平移统一考虑,以降低初始对准的模型复杂度和计算复杂性.给出了对偶四元数捷联惯性导航系统初始对准过程的粗对准模型,在此基础上,分别获得了基于加性和乘性对偶四元数误差的精对准模型.以航向角估计为例进行仿真分析,结果表明,采用该方法的收敛速度比传统方法加快了约40%,对准精度提高约0.01°.     

无线体域网高斯拟合节能安全策略

针对于无线体域网健康大数据应用背景下,开放信道和部署环境中大量隐私数据传输导致高能耗和安全隐患,而传统网络的节能安全策略受限于无线体域网的异构性和时变性难以直接应用的问题,提出了一种基于高斯拟合的无线体域网节能安全策略.采用高斯拟合函数对传输数据逼近得到拟合参数,使用拟合参数代替原始数据,采取AES加密算法对拟合参数进行加密.仿真实验表明:该策略可以有效地提高无线体域网络安全,极大缩短加密时间,降低加密成本;简化网络数据量,降低传输能耗,延长网络生命周期.     

惯导系统初始对准网络参数优化设计软件的实现

初始对准技术是惯性导航系统的关键系统技术之一,而系泊状态下船用惯导系统由于受到外部干扰会导致初始对准精度降低.该文以设计具有抗干扰能力的初始对准网络参数为目标,分析了惯导对准回路网络参数的设计方法,进而开发了能自动完成初始对准网络参数设计及验证的系统软件,并通过实例设计对系统软件进行了分析验证.仿真结果表明,该软件能根据对准参数的设计要求,能自动完成对准网络参数的设计及验证.     

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。     

基于正则化RBF的轨道不平顺在线监测系统研究

为了得到列车行进过程中准确的轨道不平顺状态,提出了一种基于以太网的轨道平顺度车载实时动态监测系统,分析了系统的结构和检测原理,通过惯性基准法利用激光位移传感器和振动加速度传感器对轨道不平顺度数据进行采集,基于两传感器数据融合时间不同步、数据率不一致的特点,提出了利用正则化RBF （径向基函数）网络拟合的算法,该方法可以将不同传感器测得的不同采样周期的数据对准到同一时间点上,得到轨道不平顺结果。将拟合值和真实值进行比较,正则化RBF拟合和常规方法拟合的平均相对误差分别为1.9％和3.7％,均方误差分别为0.41和2.35,相比之下,正则化RBF网络拟合效果更好。结果表明该系统能够更真实的反应轨道的动态不平顺。     

循环神经网络辅助GNSS/SINS组合导航方法及性能分析

针对GNSS信号中断时组合导航系统误差迅速发散的问题,提出了使用循环神经网络(RNN)来辅助组合导航系统的方法,RN N可以分别基于当前和过去的位置以及速度样本进行训练,使神经网络更好地处理系统中的时序信号,从而能够更加精确地预测SINS的位置和速度误差.采用无人机飞行试验数据验证了该算法在卫星信号中断时导航精度平均提升了77％,并且满足导航所需的实时性要求,与传统的径向基神经网络辅助的组合导航系统相比,其位置和速度的均方根误差平均降低了39％.     

基于RBF神经网络的水轮机振源参数识别方法

在对水轮机进行力学建模和分析时,其振动荷载特性往往是未知的,但却是十分重要的.基于径向基函数(RBF)神经网络,提出了水轮机振动荷载参数识别方法.根据在丰满水电站现场观测的水轮机振动响应数据,识别出了水轮机在不同运行状态下的振动荷载参数,其中包括振动力的频率、相位差和幅值.利用人工神经网络具有解决参数识别反问题不适定性的能力,建立了水轮机系统响应与模型参数之间近似的非线性函数关系.现场实际应用结果表明,经过充分训练的神经网络具有较快的收敛能力和较高的预测精度.     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于神经网络的超声波乳化液质量分数测量

通过反向传播（BP）神经网络及径向基函数（RBF）神经网络，构建了一个实时的超声波乳化液质量分数测量模型，对结果进行了处理和分析，并对比了两者的优缺点．在此基础上，实现了对某些生产过程中乳化液质量分数的检测和控制．     

RBF网络自整定PID控制在网络化控制系统中的应用

文章针对网络化控制系统普遍存在的时延问题,介绍了一种基于径向基函数神经网络自整定PID的控制策略.在Matlab/Simulink环境下搭建了基于TrueTime工具箱的网络控制系统的仿真平台.仿真结果表明:与常规PID控制相比,神经网络自整定PID控制算法可有效地提高系统的鲁棒性和自适应性,且此方法易于实现,便于工程...     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于径向基网络的金属氧化物避雷器阀片伏安特性拟合

为了解决现有金属氧化物避雷器阀片伏安特性拟合中存在的过冲、收敛慢、误差大的问题，用神经网络方法，通过对金属氧化物避雷器（MOA）的原始伏安数据进行分析，确定了神经元个数，并设计了输入、输出录属函数对数据进行预处理。用一个径向基神经网络系统对MOA阀片的伏安特性曲线进行了拟合，拟合结果与分段线性、多指数、线性与非线性拟合法相比，较大幅度地提高了拟合精度和收敛速度，完全适用于MOA阀片的伏安特性拟合。