基于融合RBF-PSO-AE算法的混凝土力学性能预测

针对混凝土材料力学性能精准预测的问题, 提出了一种粒子群算法(PSO)优化的径向基函数(RBF)与自编码器(AE)融合预测模型(RBF-PSO-AE), 对混凝土断裂能、失稳韧度和起裂韧度等参数进行预测分析。首先运用RBF结合AE使用交叉熵损失函数对数据特征降维加速收敛, 其次利用PSO快速优化模型的网络最佳权值, 最后将该模型与多种单一预测模型进行实验比较。实验结果表明该算法模型预测精确度和泛化能力提升明显, 实现大于99.99%的预测精度, 均方根误差0.006%, 能有效减少混凝土力学性能预测的误差, 具有良好的鲁棒性。     

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.     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

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。     

改进型RBF网络在模拟电路故障隔离中的应用

提出了一种最陡下降增量映射学习算法,对RBF网络的训练方法进行改进,并将之运用于模拟电路故障隔离.该算法通过增量映射学习算法对RBF网络的采样基函数进行迭代优选,简化RBF网络结构;采用最陡下降法改进增量映射学习算法,对神经元激励函数的参数进行调节,控制网络规模,提高网络的逼近能力.故障隔离实例显示了其优越性.改进的算法与传统算法相比,具有更快的收敛速度和更高的隔离精度.本算法为RBF网络的训练提供了一种可行的方法,在故障诊断领域有良好的应用前景.     

机器人关节摩擦建模与自适应RBF神经网络补偿计算力矩控制

目的:补偿机器人关节摩擦力矩,提高关节轨迹跟踪效果。方法:以直流伺服电机和谐波减速器组成机器人关节为对象,基于Stribeck模型建立摩擦模型;采用最小二乘法和Matlab编程辨识模型参数;利用自适应RBF神经网络算法对系统模型参数误差引起的未建模动态进行在线观测;将观测结果补偿到计算力矩控制器中,建立含摩擦模型的自适应RBF神经网络补偿计算力矩控制器,推导出控制参数的约束条件。结果:基于自主设计的机器人关节进行对比实验。实验表明,含摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差是无摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差的55.12%,是传统计算力矩控制追踪误差的31.28%。结论:本文的控制方法提高了机器人关节轨迹跟踪精度。     

基于椭圆假设的单对磁编码器误差补偿方法

研究了一种单对磁极磁编码器的误差补偿方法。针对单对磁极磁编码器中存在的零位误差、灵敏度误差、正交误差和铁磁干扰等每一种误差进行分析,得出各自的误差表达式。为了便于误差补偿,总结出描述这种误差共性的表达式,此式将误差的形成过程假设为圆到椭圆的变化过程,其逆过程就是误差补偿的过程。实验结果表明,利用此种方法的磁编码器精度达到了0.02°,误差补偿效果明显。根据此方法研究的磁编码器具有成本低、精度高、使用方便的特点。     

基于RBF的人工神经网络在PCB钻孔工艺中的应用

本文简要介绍了PCB行业中钻孔工艺的偏移问题以及RBF网络的特点与原理,着重介绍了应用RBF网络进行钻孔偏移分析及改善的优化模型、网络训练过程等,仿真测试结果表明其能较好地提高钻孔精度。     

一种基于最小二乘法和RBF神经网络的多步误差补偿方法

针对影响智能稳定平台中的倾角仪测量精度的误差,分析了其产生原因.提出了一种基于最小二乘法和RBF神经网络的误差多步补偿方法,首先对倾角仪的测量误差通过最小二乘法对误差进行第一步粗校准补偿;其次,再用RBF神经网络进行第二步精校准补偿.结果表明:经过多步补偿方法之后,倾角仪的测量误差得到明显的提高,误差精度由测量之前的最大误差5.61°基本稳定在±0.1°之内.     

基于RBF神经网络的地磁车位检测优化算法

研究了汽车车位的地磁法检测。针对车辆在长时间停放下出现了基线漂移的现象,致使传统的地磁检测算法在车辆长时间停放时容易出现漏检、误检等情况,提出了一种基于径向基函数(RBF)神经网络的地磁车位检测优化算法,该算法对长时间停车状态下的基线进行补偿,以获得更加准确的基线值从而提高检测的精度。实验结果表明,通过该算法得到的基线值能快速逼近真实值,对基线漂移有较好的补偿效果,经过RBF神经网络对基线进行补偿后,漏检率降低了6.65%,准确率提高了7.31%。