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.     

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性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。     

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,本文采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中。仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性。该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中。     

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中.仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性.该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中.     

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性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。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

唐钢1700加热炉钢坯温度神经网络预测模型

根据唐钢1700生产线加热炉的实际生产数据,提出了三种神经网络的钢温预测建模方法,即分别采用BP神经网络、RBF神经网络、RBF-BP组合神经网络建立了钢坯出炉温度的神经网络预测模型,并利用MATLAB软件分别对三种模型进行了仿真。研究表明,RBF神经网络模型相比较BP有较快的学习速度,但是识别精度稍低。而RBF-BP网络模型结合了二者优点,并具有更好的泛化能力,识别精度更高。     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

在线检测系统中对预行程误差预测和补偿的应用分析

预测和补偿预行程误差,能在很大程度上提高在线检测系统中测量的精确度,基于这一原理,提出基于BP与正则化RBF神经网络的一种新的检测误差预测的方法,同时基于BP和正则化RBF神经网络,建立了一个能够在线检测系统并且预行程误差的模型,利用相关的实验数据,将已经训练好的网络运用到实际中,对加工零件的误差进行预测与补偿.     

利用RBF神经网络提高温度测量精度

本文介绍在压力测量时,为提高测量精度,利用径向基函数神经网络（RBF）和智能温度传感器DS1822进行温度补偿,改善其测量精度的新方法。RBF网络具有良好的非线性映射能力,自学习和泛化能力,采集样本数据训练构成具有双端输入、单端输出网络模型,采用改进的算法实现测量精度。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

滤料过滤效率的数值预测研究

以耐高温滤料过滤效率的试验数据为基础数据,分别采用LS-SVM、RBF神经网络和BP神经网络3种方法,以空气温度、过滤风速、发尘浓度作为输入,过滤效率作为输出训练算法,预测不同测试条件下滤料的过滤效率,并对3种算法的预测结果进行了对比分析.结果表明,采用LS-SVM无论从预测精度还是运行时间上,预测效果都最为理想;LS-SVM的过滤效率预测模型与RBF、BP神经网络相比,平均绝对百分比误差最小,程序运行时间最短.     

导向钻井工具姿态动态测量的自适应滤波方法

垂直导向钻井工具在近钻头振动和工具旋转的钻井工作状态下,工具姿态参数的动态测量精度不高。为此,通过理论分析和数值仿真,提出了转速补偿的算法以消除工具旋转对测量的影响;采用最小均方算法(Least Mean Square—LMS)自适应滤波算法,可以有效滤除近钻头振动对测量的影响。数值仿真表明,经过转速补偿和LMS自适应滤波后的井斜角测量误差可小于0.1°,工具面角测量误差小于6°,有效地提高了垂直导向钻井工具的动态测量精度。     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导。     

基于RBF的碟式太阳能集热器温度预测研究

影响碟式太阳能集热器出口温度的因素较多,采用传统数学方法模拟较为复杂.利用RBF神经网络建立碟式太阳能集热器出口温度预测模型,为提高RBF的预测精度和学习效率,采用最近邻聚类算法选取基函数的中心,应用实际数据进行网络训练,网络预测结果较为准确.将本算法与传统的RBF神经网络进行仿真预测对比,本算法的结果和算法学习效率都要好于传统的RBF神经网络,验证了该算法的可行性和有效性.     

可充电锂电池剩余电量预测方法

为了对锂离子电池剩余电量(SOC)进行准确测量,以2 200 mA?h的聚合物锂电池为研究对象,利用Hyperion平衡充放电设备采集6个不同放电电流下(0.7,1.1,1.7,2.2,2.7和3.3A)的放电电压和放电倍率;采取误差反向传播(BP)和径向基函数(RBF) 2个原理不同的神经网络算法进行SOC预测;把采集的样本数据分为训练组和测试组,采用不同的神经网络算法对训练组进行训练后,选择合适的参数构建神经网络,并用测试组数据进行测试;最终比较2种算法的预测效果和误差。研究结果表明:RBF预测结果的相对误差比BP的低,且预测速度更快,RBF较BP更适合于锂离子电池剩余电量的预测。     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型.通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP 和RBF神经网络模型进行了对比研究.结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导.     

混合蛙跳算法神经网络及其在语音情感识别中的应用

该文将混合蛙跳算法(SELA)优化方法应用于人工神经网络训练中,对6种语音情感进行了语音情感特征的分析与识别。研究了谐波噪声比特征随情感类别的变化特性。利用混合蛙跳算法训练随机产生的初始数据优化神经网络的连接权值,快速实现了网络收敛。实验比较了BP神经网络、RBF神经网络和SFLA神经网络的语音情感识别性能。结果表明,SFLA神经网络的平均识别率分别高于BP神经网络和RBF神经网络4.7%和4.3%。     

基于PSO-BP神经网络的纱线质量预测

针对复杂纺纱过程中成纱断裂强度难以预测的问题,提出一种基于粒子群优化算法(PSO)优化BP神经网络的成纱断裂强度预测方法.该方法采用PSO优化神经网络的权值和阈值,用来提高神经网络的收敛速度和获得全局最优解的能力.以纺纱车间大量现场质量检测数据为对象,进行预测验证,结果表明,PSO-BP神经网络在预测相关性(预测值与实际值的一致性程度)上与传统BP算法相比提高5.0%,与GA-BP算法相比提高4.6%,在预测精度上均要好于BP神经网络与GABP神经网络.     

面向经编机产能的预测算法设计

针对经编机产能预测的高度非线性和不确定性,采用BP(back propagation)神经网络和RBF(radial basis function)神经网络对其进行求解。同时,针对BP神经网络的权值和阈值以及RBF网络隐节点中心向量值、基宽向量和连接权值难确定的问题,采用PSO(particle swarm optimization)算法和GA(genetic algorithm)对其优化求解,设计PSO-BP、GA-RBF和PSO-RBF等3种预测算法实现经编机产能的预测,并采用RMSE(root mean square error)值、MAPE(mean absolute percentage error)值和预测精度作为网络性能评价指标。试验结果显示,相比较PSO-BP和GARBF算法,PSO-RBF算法的各项网络性能指标均为最佳,其中预测精度达到了95.71%。因此,PSO-RBF算法在解决经编机产能预测问题上具有可行性、可靠性和优势性。