基于RBF网络的工程保险费率厘定研究

目前,在我国的工程保险费率(EIR)厘定中,一般采用固定费率表来确定保险费率.近年有人提出基于风险系数调整来厘定费率,主要依赖专家经验,采用了层次分析法(AHP)和模糊综合评价(FCE).为了更客观地确定工程保险费率,本文根据工程保险费率的厘定原理,引入RBF神经网络方法来进行风险分析,建立一种基于RBF网络的工程保险费率确定模型,可直接得出纯费率,为保险公司工程保险费率厘定提供参考工具.     

超机动飞行的非线性鲁棒自适应控制系统研究

针对飞机模型中存在气动参数不确定性以及外界干扰等影响因素,设计了一种超机动飞行的非线性鲁棒自适应控制系统。控制系统设计过程中,模型不确定性和外界干扰由RBF神经网络在线补偿,控制律及神经网络权值自适应律由反步法得到。解决了系统中控制增益矩阵未知,同时存在外界干扰情况下的鲁棒飞行控制系统设计,并证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了过失速Herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。     

基于LSTM-RBF的水路货运量预测

水路运输是交通和货运的重要组成部分,水路货运量的预测对各地经济发展有重要意义。近年来随着经济形势的变化和多式联运的快速发展,水路货运量的数据波动加大,精准预测的难度变得更大。因此提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和径向基神经网络（Radial basis function,RBF）的组合预测模型 。在LSTM-RBF预测模型中,第一阶段通过LSTM对各指标进行精准预测,减少指标值误差对目标值预测带来的影响;第二阶段训练RBF神经网络并在未来指标值的基础上对目标值（水路货运量）进行预测。该模型既避免了时间序列预测仅考虑单一影响因素的缺陷,又能够把LSTM的长时记忆优势带入到RBF的回归预测中。实验结果表明,LSTM-RBF预测模型在均方根误差和拟合度方面,均优于其他对比模型,该预测模型对水路货运量的预测有着较高的准确度。     

基于位置控制的多自由度机械臂非线性比例-微分阻抗控制

机器人柔顺控制可以响应环境变化,但接触信息的延迟以及未知机器人系统的跟踪误差等问题均导致接触瞬间力矩超调严重。针对上述问题本文提出一种基于自适应位置控制的改进阻抗控制策略,实现快速、精确的位置跟踪,同时,提高力控制的响应速度和精度。本策略采用双环控制,外环在传统阻抗模型基础上引入非线性接触力微分项在保持系统稳定性的同时提高机器人对接触力变化的响应,有效降低接触力超调;内环为自适应滑模控制,并使用RBF神经网络逼近机器人动力学模型并补偿系统中不确定性扰动,提高了系统的鲁棒性,提高收敛速度并降低跟随误差。通过仿真与实验,验证了所提出的改进阻抗控制方法相比于传统的阻抗控制方法有更好的力控响应速度和位置跟踪精度,可有效解决机器人与环境接触瞬间的接触力超调问题。     

基于有限时间干扰观测器的改进模型水下机器人自适应鲁棒容错控制

针对无人水下机器人（unmanned underwater vehicle ,UUV）工作中存在的执行器故障,在系统不确定性与外界干扰下,提出一种基于有限时间扰动观测器（finite time disturbance observer ,FTDO）,并结合改进模型的自适应鲁棒容错控制方法。一方面,FTDO能在有限时间内对外界环境干扰进行估计;另一方面利用滑模控制加上径向基神经网络（Radial Basis Function Neyral Network,RBF） 的万能逼近特性,建立带有执行器故障的输入补偿;其中改进模型的引入解决了系统不确定性导致的输入饱和,提高了稳定性与鲁棒性;其次采用一种新型的双幂趋近律使滑模量在更短时间收敛到稳态误差界内;仿真与水池实验结果表明了所提方法相对于滑模控制有着更好的容错效果。     

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果.     

基于流量域的校园网组网新模式

传统的互联型网络架构难以适应日趋复杂的校园网应用需求,是目前影响数字化校园建设深入发展的一个重要因素.借鉴城域网建设思路,充分考虑学校各个功能模块对网络带宽、网络安全、服务质量、策略管理等方面的要求,积极探索按流量域划分的校园网建设新模式,使各功能子网既有机联系又相对独立,杜绝冲突与碰撞,可以为广大师生员工提供更高性能、更高安全、更灵活易管理的网络应用平台,同时为数字化校园的实现打下更为坚实的基础.     

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。     

一种基于聚类的RBF神经网络模型

应用于工程中的径向基函数(RBF)神经网络模型,当训练样本量很大时常存在训练学习速度慢和拟合精度不高的问题.针对这一情况提出了一种基于聚类的RBF神经网络(BC-RBFNN)模型.该模型首先通过对训练样本进行聚类分析,将其分为不同的类,接着根据每类的训练样本构造一个RBF子网并获取其相关参数,接着再将各个子网组织成一个BC-RBFNN模型.通过对其进行理论分析和性能检验试验,结果表明该模型能加快网络训练学习速度,缩小的模型规模,提高网络的预测精度.     

基于超分辨ISAR成像的空中目标自动识别

利用最大熵谱估计的方法对四种飞机目标数据进行外推处理,并在此基础上进行逆合成孔径(IS-AR)成像。在获得较高分辨率ISAR图像的基础上,采用ISAR图像的三个特征:基于几何矩的不变量、形状特征、量化能量带等组成特征向量。并对该特征向量进行对数归一化,将归一化的特征向量作为径向基函数(RBF)神经网络的输入,在此基础上进行识别,达到较好的识别效果。