透射式光纤氢气传感系统构建与算法优化

氢气作为绿色清洁能源被广泛应用,但由于氢气易燃易爆易泄漏的特性,研发一种安全可靠的光纤氢气传感器是安全使用氢气的前提。采用溶胶-凝胶法制作三氧化钨/铂(WO₃/Pt)氢敏薄膜,基于透射式光纤氢气传感系统进行氢气浓度检测。由于氢敏薄膜与氢气发生化学反应时,容易受温度影响,并且在此过程中会产生水,阻碍反应的进行,因此氢气浓度与光电探测器接收到的光强信号呈现非线性特性。为了提高氢气检测的准确度,使用支持向量回归(support vector regression, SVR)、反向传播(back propagation, BP)和径向基函数(radial basis function, RBF)神经网络等算法对测试数据进行优化,通过计算算法的平均相对误差率和决定系数(R²)来对比3种算法的优劣。与BP和RBF神经网络相比,SVR算法预测样本的平均相对误差率低至3.8%,R²高达0.999 8,对氢气浓度具有更好的预测效果。     

基于多级观测器的液压伺服系统自适应故障检测与隔离

针对传统的基于固定阈值的故障检测及诊断方法虚警率高,无法有效实现液压伺服系统的故障检测与隔离,提出了一套基于多级观测器的液压伺服系统自适应故障检测与隔离方法。首先,采用第1级RBF网络作为液压伺服系统观测器,通过比较观测器估计输出值与实际系统输出得到残差信号。其次,采用第2级RBF神经网络产生自适应阈值,实现了液压伺服系统自适应故障检测。最后,采用小波包分析提取残差信号特征,利用第3级RBF神经网络实现系统的典型故障隔离。实验结果表明,利用多级观测器模型能够有效实现液压伺服系统的自适应故障检测及隔离。     

一种基于标识分离映射网络的子网移动性管理方案

标识分离映射网络成功实现了身份与位置分离,解决了单点移动性问题,但是没有考虑子网移动性管理的问题。在此基础上提出一种基于分级多层映射机制的子网移动性支持方案,通过子网多身份标识到唯一路由标识的多对一映射机制,在实现子网整体移动性支持的同时,又降低了网络整体信令开销和切换时延开销,优化了网络性能。仿真结果说明,在子网移动过程中,与普通节点单独注册相比,采用基于分级多层映射机制的块注册方式,可以有效降低网络整体信令开销和切换时延开销,尤其是核心网的信令开销,从而避免核心网资源的浪费,提高网络的整体性能。     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

高瓦斯矿井掘进通风瓦斯浓度预测模型研究

为了对不同瓦斯涌出量和通风配置下的高瓦斯矿井掘进通风瓦斯浓度进行准确预测,文中在对掘进工作面瓦斯浓度的各种通风影响因素分析基础上,设计了两种掘进通风瓦斯浓度预测神经网络模型。利用MATLAB软件及煤矿现场获得的实测样本数据,建立了瓦斯浓度BP和RBF神经网络预测模型。通过预测结果对比分析可知,RBF神经网络预测模型能够对掘进通风瓦斯浓度进行准确地动态预测,为不同掘进阶段、不同瓦斯涌出量下的掘进通风方案选择提供了一定的理论依据。     

基于Gabor平方的人脸识别算法

首先对图像进行Gabor小波分解,为了解决图像的提取特征有更好的的空间局部性和方向选择性,选用Gabor作为人脸特征的提取方法。并采用RBF神经网络利用其逼近能力强,收敛速度快、较强的适应性以及很强的非线性映射等功能,作为分类器对所提取的人脸有效特征进行识别。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于RBF神经网络模型的臭氧浓度软测量研究

目前的臭氧浓度在线分析测试仪器在臭氧发生器中的应用受到很大限制.通过监测影响臭氧产生浓度的6个参量,基于RBF神经网络模型实现了臭氧浓度软测量.该模型采用梯度下降法确定RBF基函数的中心及输出层权值,可离线和在线校正所建立的神经网络模型.实验证明,软测量模型输出结果与臭氧浓度分析仪测量结果的绝对误差小于5g/m3的达93%以上,绝对误差小于1g/m3的达33%以上,且响应时间小于1s.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

Torus网络中非连续处理机分配策略的设计

在多处理机系统中高效的处理机分配策略对提高系统的性能是至关重要的,这需要用最小的时间开销为将要执行的任务找到合适的处理机组.本文针对二维Torus结构的多处理机系统,提出了一种非连续的处理机分配策略.该策略根据系统中空闲子网的情况对请求的任务进行分解,使得最终分配的处理机组保持一定程度的连续度.仿真试验表明该策略能够进一步提高处理机的利用率,降低任务的等待时间,提高整个系统的效率.