基于工程经验和RBF神经网络的水轮机综合特性曲线拓展和重构

水轮机特性曲线是描述水轮机运行过程中运行参数变化及相互关系的重要数据图.采用径向基函数(Radial Basis function,RBF)神经网络拓展和拟合水轮机特性曲线的方法可避免用具体的数学表达式表示该特性曲线高度非线性的函数关系,而是通过对离散样本点的学习和训练来获得水轮机全特性曲线.在使用RBF方法进行拟合数据和重构曲面之前,本文利用边界条件和工程经验将已知工况区域的特性曲线向小开度区域和低效率区域进行了有效拓展,大幅增加了RBF神经网络的学习样本数量,从而进一步提高了RBF方法拟合水轮机全特性曲线的精度和可靠度.以HL180水轮机为例,对拓展和拟合水轮机综合特性曲线的具体过程进行了详细介绍.计算结果表明,同仅采用RBF神经网络方法相比,采用本文方法得到的水轮机全特性曲线具有更高的精度和可靠度.     

RBF神经网络的矿井风速故障源

为解决井下风速传感器获得的风速异常数据确定故障源位置问题,采用RBF神经网络方法确定可能引起各分支风速异常的分支集合,即建立通风系统故障巷道范围库,再通过对分支的灵敏度进行排序来选择故障巷道诊断的优先级.研究结果表明:RBF神经网络被训练好后,就可以不用建立具体的数学模型,得到整个网络各分支风量与风阻之间的关系.     

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.     

RBF与加权质心相结合的室内无线定位算法

针对传播路径损耗模型的参数,极易受室内障碍物等环境因素影响,导致定位精度低的问题.利用RBF(径向基函数)神经网络算法替代损耗模型,拟合RSSI(接收信号强度)值与距离的关系.采集室内RSSI值和其对应的距离值的实测数据,利用实测数据训练RBF神经网络,建立RSSI-距离拟合模型;利用拟合模型将经过处理的RSSI值转换为距离值,并将距离值按从小到大排序;取前3个离定位节点较近的固定节点的信息,进行加权质心定位计算.研究结果表明:RBF算法的定位精度比路径传播损耗模型算法提高了34.5%,且略高于BP算法的定位精度.在相同的室内环境下,RBF算法能更好地克服环境因素对距离计算的干扰,提高室内定位的精度和稳定性.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于BP神经网络的刻蚀偏差预测模型

刻蚀是将设计版图转化为到晶圆图形的重要步骤,刻蚀质量的好坏直接关系到芯片或集成电路的性能,而影响刻蚀质量(蚀刻偏差)的孔径效应和微负载效应在很大程度上取决于版图密度、图案间距等布局特征。为了探究在固定刻蚀工艺参数下的版图特征对刻蚀偏差影响,本文提出了基于BP神经网络的刻蚀偏差预测模型。首先,对一维版图的特征提取并建立用于训练模型和测试模型的训练集与测试集,然后,训练和优化该BP神经网络模型。实验结果表明,该模型预测值的绝对误差可达±2 nm以下,而相对于真实刻蚀偏差的相对误差可达10%以下。因此在较大技术节点下,这种基于BP神经网络模型的预测精度是可以接受的。     

静电卡盘与晶圆之间稀薄气体传热的影响因素

通过在晶圆背面填充稀薄气体的方式来对晶圆进行冷却或加热是等离子体刻蚀工艺中的一项关键技术。该文对晶圆与静电卡盘之间的稀薄气体传热问题进行了解析建模,给出了一个适用于整个气压范围的气体导热解析表达式,并用直接模拟Monte Carlo方法验证了其准确性。基于该解析模型,还对气体压强、狭缝距离、热适应系数和气体温度等影响传热系数的参数进行了研究,发现狭缝距离和气体温度对传热系数影响较弱,即静电卡盘表面形貌(如凸台高度等)和刻蚀温度对于静电卡盘与晶圆之间的传热效果影响不大;而气体压强和热适应系数都表现出对传热系数有明显的影响。因此,在实际的刻蚀工艺中,可以通过调节气体压强来改变静电卡盘与晶圆之间的传热效果。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线连续函数有较好的逼近效果,对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较,并采用实际数据进行训练,说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络.最后,以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型,并进行了模型检验,证明了基于RBF网络的建模方法具有较高的精度.     

地基土压缩系数的RBF神经网络预测

采用了输入层节点数为4、隐含层节点数为29、输出层节点数为1的RBF神经网络结构;RBF神经网络学习时,设置中心化方法为K-means聚类法,训练速率取0.15,加权种子数取2,Sigma参数取0.1,权重为0.2,最大迭代次数为16 000,误差均值控制为0.01.研究发现,训练RBF神经网络时,30组数据的土压缩系...     

半导体刻蚀工艺的晶圆背面颗粒研究

半导体制造过程中,干法刻蚀工艺需要晶圆背面与设备接触,把晶圆固定和支撑住,掌握晶圆背面颗粒状态对半导体工艺制程相当重要。本文主要研究前段刻蚀工艺后晶圆背面颗粒的状态、对工艺制程的影响以及降低这种影响的方法。前段刻蚀工艺由于稳定性、精确性和准确性的高要求,需要在每片晶圆作业完后对刻蚀腔体进行自身清洁和聚合物再淀积,以此来保证每片晶圆都有一致的刻蚀环境,刻蚀腔体中的静电吸盘(ESC)表面会覆盖聚合物,此聚合物的反应对温度非常敏感,由于ESC本身硬件的特性,表面聚合物淀积不均匀,造成与其接触的晶圆背面颗粒数很高。对其他晶圆正面造成严重的影响,分析晶圆背面颗粒在设备传输过程中的变化,通过优化晶圆冷却装置和冷却时间,有效地降低晶圆背面颗粒对其他晶圆正面的影响。     

一种非线性系统神经网络直接控制器的设计

提出了一种使用神经网络作为非线性对象直接控制器的设计方法 ,该控制器由一个常规控制器和一个神经网络控制器组成 .常规控制器对系统给出粗略控制 ,神经网络控制器给出补偿信号来进一步减小系统输出跟踪误差 .该方法对被控非线性对象类型的限制很少 .在该方法中 ,径向基函数 (RBF)神经网络被用来进行训练 ,训练后系统具有较好的稳定性 .仿真结果表明 ,该方法非常有效 ,对非线性系统能取得比较满意的控制效果     

基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

采用BP和RBF神经网络的厦门市工程造价预测模型

收集55个厦门市典型工程造价指标,利用SPSS软件对数据进行预处理,选取11个工程特征作为造价的主要影响因素,分别建立基于多层前馈(BP)和径向基函数(RBF)神经网络的工程估价模型.从55个案例中随机抽取10个作为预测样本,剩下的45个作为训练样本,进行BP,RBF神经网络预测模型的训练和测试.结果表明:通过参数优选的RBF神经网络工程造价预测模型,预测误差在5%以内,网络泛化能力更优越,可用于实际工程造价的辅助估算.     

基于人工种经网络的乳腺癌诊断模型

针对具体的乳腺癌诊断分类问题，研究了多层径向基函数(RBP)网络的分类机理和初始化优化参数，采用动量法和学习率自适应调整两种策略方法，建立了基于BP神经网络和径向基(RBF)神经网络的乳腺癌两种诊断模型。讨论了径向基神经网络的分类机理，同时对数据作了预处理。径向基(RBF)神经网络具有较强的非线性并行处理能力和容错能力。仿真结果表明，所设计的RBF网络模型性能稳定，训练时间短，分类效果较好。     

船舶冷却水系统智能故障诊断设备

以大连海事大学实习船“育鲲”轮冷却水系统为研究对象,开发一种可应用于船舶主机冷却水系统中的智能故障诊断设备.以RBF神经网络为故障诊断模型,利用MATLAB与VC++混合编程方法,开发故障诊断程序.程序根据所设计的训练样本集创建并训练神经网络,程序接收由下位机MCGS所采集的系统运行参数,计算后将结果返回.MCGS工控机根据计算结果判断冷却水系统的实时运行状态,并给出相应的报警提示,从而达到智能故障诊断的目的.     

基于SA-GA算法RBF神经网络的TDOA/AOA定位算法

目的 为了克服最小二乘法在TDOA/AOA无线定位算法中的缺点,提高定位的精度和稳定性.方法 提出了基于RBF神经网络的TDOA/AOA定位算法.利用染色体长度可调编码方式的模拟退火遗传算法,同时训练RBF网络的参数和拓扑结构.将训练后的RBF网络用于TDOA/AOA定位.结果 与传统TDOA/AOA算法和基于k-均值聚类法、遗传算法RBF神经网络、GA-BP神经网络的定位算法比较,该算法具有更高的定位精度和可靠性.结论 基于模拟退火遗传算法RBF神经网络的TDOA/AOA定位算法有很强的抗NLOS能力.     

神经网络在声纳建模中的应用

基于声纳方程,同时考虑目标声特性和海洋环境参数,建立了主动式和被动式的声纳方程.利用海洋环境数据训练神经网络,实时解算不同环境参数时的噪声级.通过MATLAB仿真,比较径向基神经网络(RBF网络)和误差逆传播神经网络(BP网络)在模型中的作用,证明了RBF网络比BP网络能更好地满足声纳建模的需求.     

基于DenseNet的机载雷达动目标检测

针对传统机载雷达运动目标检测方法所需训练距离单元较多的问题,将运动目标检测问题转化为多分类问题.首先,基于少量训练距离单元数据构建分类所需的训练数据集;然后,基于卷积神经网络DenseNet构建多类分类器;最后,利用训练后的分类器提取雷达空时回波数据特征,进行目标检测和参数估计.仿真结果表明:基于DenseNet的机载雷达动目标检测方法能够有效检测目标,估计目标的距离、多普勒频率等参数.相比传统空时自适应处理方法,该方法能够显著减少所需训练距离单元数量;相比现有基于分类的目标检测方法,该方法能够有效提高目标检测和参数估计的准确度.     

基于无监督聚类算法的入侵检测

针对应用聚类方法检测入侵中参数人为指定的问题,提出了一种新的基于无监督的聚类算法.该方法不需要人为设置参数并且不受数据输入顺序的影响,聚类的形状是任意的,能够较真实地反映数据分布的具体性状.算法通过比较无类标训练集样本间的距离,根据距离最近的样本首先聚合成类的特性,在每一步聚类结束时,再次比较类间距离以及计算类内数据占总数据的比率来确定异常数据类.实验证明该算法处理未知入侵检测问题的检测率为89.5%,误报率为0.4%.