正四面体麦克风阵列声源定位模型研究

研究声源定位优化建模问题,针对声源位于远场环境下无法获取精确的方位角和俯仰角,由于采用声达时间差(TDOA)和空间几何算法的正四面体麦克风阵列声源定位方法只适应于近场声源定位,为了提高定位准确性,提出了应用径向基(RBF)神经网络建立声源定位模型的算法,声源定位模型在声源位于近场或者远场的情况下,均可求解出精确的方位角和俯仰角。在MATLAB上进行仿真,结果表明,定位声源的方位角误差小于3°,俯仰角误差小于4°,满足实际定位精度的要求。结果表明为声源准确定位提供了科学依据。     

一种声源定位系统设计

对一定区域内的声源目标定位是声学技术的研究方向之一。借鉴TDOA算法被动定位思想,并针对声信号特点,可设计基于TDOA协同被动定位算法的声场监测系统,用于在空旷场地进行声源监测定位。该系统通过在空旷场地布放3个或多个高灵敏度麦克风监测声目标源,通过计算各麦克风收到信号的时间差,采用Chan和Taylor联合算法,可实现对一定区域内的声目标定位。经过在空旷地实测数据仿真表明,该系统可成功对声目标进行定位,且性能稳定。     

基于D-S理论的故障诊断融合算法及应用研究

针对工业现场传感器状态类型复杂多变、被测参量难以准确可靠获得等问题,提出了一种基于RBF神经网络和证据理论的两级信息融合方法。利用RBF神经网络实现特征层数据融合,并建立基本信任分配函数,解决了D-S证据理论确定基本信任分配函数困难的问题;基于D—S证据理论的传感器故障诊断方法,可用来判断出工业现场传感器的有效工作状态。木材含水率检测结果表明,基于RBF神经网络和证据理论的两级信息融合方法可正确定位并准确分离出失效传感器。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

两级数据融合算法在木材干燥过程中的应用

本文提出了一种基于RBF神经网络和证据理论的两级数据融合方法。利用RBF神经网络实现特征层数据融合,建立基本信任分配函数,具有最佳一致逼近特性,同时解决了D-S证据理论确定基本信任分配函数困难的问题。基于D-S证据理论的传感器故障诊断方法的研究,可有效地判断工业现场传感器的工作状态。实验结果表明该方法可正确定位并准确分离出木材含水率检测系统中失效传感器。     

基于RBF神经网络的射频功放行为模型研究

为了设计和优化高线性功率放大器和通信子系统,在系统级仿真中,构建功率放大器精确的行为模型是极为重要的。应用实际功率放大器晶体管测试板,通过ADS（Advanced Design System）仿真得到大量功放输入输出数据,建立了一个基于RBF（Radial Basis Function）神经网络的行为模型,给出了RBF 神经网络的结构设计及K-均值聚类算法和共轭梯度优化算法,并进行了模型检验。结果表明,基于RBF神经网络的功放行为模型具有较高的精度,相对于BP 神经网络模型具有更高的逼近能力和速度。     

基于RBF神经网络的AOA定位算法

基于几何结构的单次反射统计信道模型,提出了基于RBF神经网络的AOA定位算法。应用RBF神经网络对非视距传播（NLOS）误差进行修正,然后利用最小二乘（LS）算法进行定位。仿真结果表明：该算法减小了NLOS传播的影响,提高了系统的定位精度,性能优于LS算法。     

基于能量衰减的增量式声源跟踪算法研究

声源定位属于典型的被动定位,基于声源定位与跟踪在实际中具有广泛的应用。文中利用声音随距离的能量衰减模型,提出了最小二乘的增量式声源跟踪算法形式,并在二维空间分别给出了声源的定位,位置式及增量式声源跟踪算法的实验结果。位置式及增量式声源跟踪算法是跟踪算法的两种表现形式,实际中可根据跟踪算法的复杂度和具体的控制对象进行选择。由于只需计算声源移动增量,与传统的位置式算法相比,增量式声源位置跟踪算法具有控制器调整方便、容错性强等特点。     

基于立体声信号的声源定位算法研究

提出了一种基于立体声信号的声源定位算法.算法主要分为两个步骤:先进行声达时间差估计,并从中获取传声器阵列中阵元间的声延迟;再利用荻取的声达时间差,结合已知的传声器阵列的空间位置和声速进一步定出具体声源的位置.实践结果表明,该算法是一种准确度高、稳定性好的声源定位方法,并且更加有利于实时声信号的处理.     

针对头佩式麦克风阵列的声源定位算法研究

头佩式麦克风阵列在单兵便携反狙击声探测定位系统和机器人声定位系统中具有实际的应用价值。一般的声源定位方法是基于无遮挡的线性或非线性麦克风阵列。采用头佩式麦克风阵列,考虑到背向声源麦克风的低频声波由于头盔遮挡而发生的衍射作用,针对低频波段的声音信号进行定位算法的设计和研究。该算法利用低频声波的绕射路径计算时延,采用联合可控功率响应（SRP-PHAT）框架进行时延补偿搜索定位。实验表明,相比于普通的无遮挡定位算法,基于绕射路径的头佩式麦克风阵列定位方法通过综合利用背向声源的麦克风数据,明显地提高了定位的精度,这种精度的提升在选择1 kHz以内的信号频率窗口时达到最佳效果。     

基于 RBF 神经网络的钢构件质量追溯系统研究

提出一种基于RBF神经网络的数据挖掘方法,将RBF神经网络应用于数据挖掘的分类和预测中,解决钢构件过程中的性能预测问题。其中用黄金分割法确定基于RBF神经网络的隐层节点数,减少该算法的计算复杂度,最终将其应用于某钢铁企业质量控制系统。构建对钢构件质量检测的数据挖掘及质量追溯平台,该平台是基于RBF神经网络的数据挖掘技术的。实际应用证明,产品的质量合格率可达到96.27%,符合国家相关的标准和技术指标。     

基于RBF神经网络的TDOA/AOA定位算法

为了减小NLOS传播的影响,提出基于RBF网络的TDOA/AOA算法。利用RBF神经网络对NLOS传播的误差进行修正,使用TDOA/AOA算法进行定位。仿真结果表明该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于TDOA/AOA算法、Taylor算法、Chan算法和最小二乘(LS)算法。     

属性重要性评分方法的改进

研究信息系统的属性重要性评分方法,通过引入敏感系数构建神经网络模型,提出属性重要性评分算法,将信息系统的各条件属性和决策属性构造一个径向基函数(RBF)神经网络。经训练和学习后,综合考虑各属性间的关系,动态调整RBF网络的拓扑结构,评分各属性的重要性。以红籽西瓜性状数据作为样本数据和测试数据进行实例分析,验证该方法的有效性。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于FPGA及RBF神经网络的电磁无损检测技术

电磁无损检测技术是无损检测领域的一个研究重点,针对电磁无损检测技术中的超声波处理,提出了一种基于FPFA的参数优化的RBF神经网络;首先,通过FPGA编程实现对电磁超声波信号的采集,设计了放大电路将原始的电磁超声波进行放大处理已满足RBF神经网络的需求;提出一种采用K-means聚类算法来计算RBF中径向基函数的中心和宽度的参数优化RBF算法,K-means聚类算法的初始聚类中心难以确定会导致RBF算法的参数无法优化,提出KL散度,采用数据密度分析法来计算K-means算法的聚类中心;试验表明,改进后的K-means算法的聚类误差的数量级为10~(-12),传统K-means算法的聚类误差为10~(-13),改进后的K-means算法的聚类结果更准;参数优化后的RBF神经神级网络对具有1.02 mm缺陷长度的发动机涡轮叶片的缺陷长度预测结果为0.9~1.1 mm,传统的RBF神经网络的预测结果为0.7~1.2 mm,参数优化后的RBF神经网络的预测结果更准确。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于径向基函数神经网络的航向角精确测量

针对移动机器人定位中航向角精确测量问题,设计了径向基函数 (RBF)神经网络来实时获取精确的航向角。使用正交最小平方 (OLS)算法训练神经网络,确定构建RBF网络所需的相关参数。基于RBF神经网络的组合传感器测量系统不仅能消除测量误差,使机器人工作过程中的定位精度提高近 8倍,且具有一定的工程实用性。实验结果表明:构建的RBF神经网络能够实时获取精确航向角,保证移动机器人在户外工作环境中完成指定任务。     

An optimized RBF neural network algorithm based on partial least squares and genetic algorithm for classification of small sample

Radial basis function (RBF) neural network can use linear learning algorithm to complete the work formerly handled by nonlinear learning algorithm, and maintain the high precision of the nonlinear algorithm. However, the results of RBF would be slightly unsatisfactory when dealing with small sample which has higher feature dimension and fewer numbers. Higher feature dimension will influence the design of neural network, and fewer numbers of samples will cause network training incomplete or over-fitted, both of which restrict the recognition precision of the neural network. RBF neural network has some drawbacks, for example, it is hard to determine the numbers, center and width of the hidden layer’s neurons, which constrain the success of training. To solve the above problems, partial least squares (PLS) and genetic algorithm(GA)are introduced into RBF neural network, and better recognition precision will be obtained, because PLS is good at dealing with the small sample data, it can reduce feature dimension and make low-dimensional data more interpretative. In addition, GA can optimize the network architecture, the weights between hidden layer and output layer of the RBF neural network can ease non-complete network training, the way of hybrid coding and simultaneous evolving is adopted, and then an accurate algorithm is established. By these two consecutive optimizations, the RBF neural network classification algorithm based on PLS and GA (PLS-GA-RBF) is proposed, in order to solve some recognition problems caused by small sample. Four experiments and comparisons with other four algorithms are carried out to verify the superiority of the proposed algorithm, and the results indicate a good picture of the PLS-GA-RBF algorithm, the operating efficiency and recognition accuracy are improved substantially. The new small sample classification algorithm is worthy of further promotion.     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.