非线性系统的RBF神经网络建模方法研究

RBF神经网络理论为非线性系统辨识提供了有力的工具。针对多数RBF神经网络原有算法的计算量大、学习速度慢等缺点,采用一种混合算法,仿真结果表明算法具有一定的有效性。     

基于RBF神经网络的碳含量建模

以副枪检测信息为基础,应用RBF神经网络,建立了转炉炼铁合金终点碳含量的控制模型。     

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RBF神经网络的课堂教学质量评价模型

利用RBF神经网络提出了课堂教学质量综合评价模型,给出了课堂教学质量评价模型的指标体系,讨论了怎样使用此模型获得综合评价的最终结果.实验表明,利用此模型能避免人为测评中的不利因素,获得了较好的实验结果.     

多连杆柔性关节机械臂的神经滑模控制

钟对多连杆柔性关节机械臂,设计了基于高斯径向基函数神经网络（GRBFNN）的滑模控制器,该控制器利用神经网络的逼近能力,将各关节的切换函数作为网络的输入,控制器完全由连续的RBF神经网络实现。利用该控制器与线性二次型跟踪器以及传统滑模控制器对三连杆柔性关节机械臂进行轨迹跟踪控制仿真。仿真结果表明：线性二次型跟踪器具有一定传输时延,滑模控制器跟踪轨迹有明显抖振,而神经滑模控制器取消了切换项,消减了抖振,具有良好的跟踪效果和稳定性。     

二相码旁瓣抑制的神经网络方法比较

研究了BP神经网络、RBF神经网络和模糊神经网络在二相码旁瓣抑制中的应用。仿真结果表明,模糊神经网络具有很好的抗噪性能,BP神经网络具有很好的多普勒容错性和多目标分辨能力,RBF神经网络的性能介于二者之间。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

RBF函数的孔洞修复技术研究

提出了一种利用RBF函数对具有“孔洞”的散乱点云进行修复的算法,该算法是通过给散乱点云数据建立隐式曲面方程,隐式曲面方程是通过一个连续的函数来描述重建的实体模型,在曲面重建的过程中可以自动实现数据缺损处的孔洞修补.通过编程实现了孔洞的修复,该算法在MATLAB 7.0上进行实验.实验的结果表明,该算法在孔洞修复方面具有很好的效果.     

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。     

内对抗指导无监督多域适配网络的轴承协同故障诊断

现有的轴承无监督跨域智能故障诊断研究多数是基于单源域自适应开展的,这将导致实际场景中多个拥有充足且多样化诊断信息的源域未能得到协同利用.如何更好地从多个源域中提取到故障轴承的共性特征并融合多源域知识协同诊断是主要挑战.针对上述问题,本文提出了一种内对抗指导的无监督多域适配网络;构造了一个内对抗模块以计算多源域对抗损失,并联合多组源域-目标域自适应子网指导提取多源域和目标域间的共性特征,增强知识覆盖能力;设计了一个多子网协同决策模块,利用多组源域-目标域的对抗损失和分布差异损失计算置信分数,以辅助多子网分类器做出更佳的融合决策,提升协同故障诊断的准确率.基于恒转速和变转速工况的轴承故障数据构造了多个无监督多源域迁移诊断任务,对比实验结果表明所提方法的优越性和鲁棒性.