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。     

基于混合模型HMM/RBF的数字语音识别

提出一种离散隐马尔科夫模型（hidden Markov model,HMM)和径向基函数（radial basis function,RBF)神经网络相结合应用于汉语数码语音识别（Mmandarin Ddigit Speech Recognition,MDSR)的方法，同时采用了一系列改进方法，使汉语数码语音的识别率达到了99．7％。     

基于面元表示的点模型布尔运算的研究

为实现离散点模型的布尔运算,提出一种采用表面面元表示的点模型布尔运算算法.通过构造KD树实现了邻域的快速搜索,在此基础上,进行面元的内外相交测试提高了内外判别的准确性.布尔运算的结果采用面元方法进行快速绘制.实验表明,该算法运算简单快速,有效地进行点模型的布尔运算.     

基于径向基函数的单级插值隐式曲面重构

研究基于径向基函数单级插值隐式曲面重构问题．探讨基于标准紧支撑径向基函数和变形径向基函数插值的参数求解过程。实验结果表明,该方法能有效地构造隐式曲面。并且插值过程相当快。     

基于RBF神经网络的赤潮预测方法

赤潮是一种由多因素综合作用引发的生态异常现象,具有突发性及非线性等特点。对其进行预测预报一直是海洋科学研究的热点。简要介绍了RBF神经网络的基本原理,探讨了应用该人工神经网络进行赤潮预测的方法。利用RBF神经网络模型对赤潮灾害监测数据进行仿真实验,并对结果进行了分析。     

采样点模型的布尔运算

提出了一种快速而鲁棒的点模型布尔运算算法.在进行布尔运算之前,首先将点模型中的每个点表示成具有一定半径的面元,并确定它相对于另一个模型表面的内、外及相交关系;然后对相交面元进行全局误差控制下的自适应加密重采样,以求取交线;为了加速面元的内、外及相交关系的检测,对每个模型建立层次结构k-d树.实验结果表明,该方法对于具有不同分辨率以及采样不均匀的点模型也能进行稳定可靠的布尔运算.     

基于RBF神经网络的肌电信号建模仿真研究

建立肌电信号模型，尤其是肌肉单纤维动作电位模型，并进行计算机仿真研究，是研究从复杂信号中提取特征参数新算法性能的基础。利用反向传播算法网络和径向基函数的强逼近能力，建立模拟合成单纤维动作电位的精确模型，以达到快速、准确地计算机合成单纤维动作电位波形。通过实验比较，径向基函数网络较反向传播算法网络更适合于肌电信号这类非线性系统建模。     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

基于RBF神经网络的火灾探测器模型研究

针对目前火灾探测技术难以满足实际需要的问题,在分析RBF网络结构特点及最近邻聚类学习算法的基础上,提出用RBF神经网络建立火灾探测器模型,以火灾初期实验得到的环境温度、烟雾浓度、CO含量为输入,以明火概率、阴燃火概率、无火概率为输出对RBF网络进行训练,并进行仿真试验,结果表明,实际输出与期望输出的相差较小。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

非流形几何造型的布尔运算

非流形的几何造型用统一的结构来表示线框、表面和实体,是目前几何造型系统研究的热点。而模型的构造需要一个有效的布尔算法。论文提出一种由布尔运算定义的能够快速和任意重塑几何模型的新方法。这种方法利用非流形几何造型的性能,使得人们可以反复进行交互设计,并可用于特征造型。     

基于“内点”识别的多边形布尔运算

在多边形内、外侧边界识别的基础上，充分利用多边形本身是一个整体的事实，我们提出了一种基于“内点”(多边形内的点)识别的布尔运算算法，简化了布尔运算的复杂性，从根本上解决了由于多边形问可能存在重合点、重合线而造成的布尔运算不稳定问题。     

基于增量学习的RBF神经网络的噪声源识别

本文提出了一种用于水下航行器噪声源识别的RBF模糊神经网络模型。该模型采用PCM聚类算法并具有增量学习能力,网络输出节点在线可调,保证了网络具有较高的泛化能力和一定的学习新故障模式的能力。仿真结果表明,该模型是有效的。     

一般点模型的交互式布尔运算

提出了一个适用于一般点模型的交互式布尔运算算法,此算法由4个步骤组成．首先将点模型表示为自适应的三色八叉树,然后利用自适应八叉树结构加速内外测试．对于局部采样密度不一致的相交区域或曲率太大容易导致较大求交误差的地方,实行了自适应细分加密采样;重采样相交的部分以获得更精确的求交结果．与已有的点模型布尔运算方法相比,该算法适用于一般的实测点云数据,包括少量噪声的点模型、非均匀采样以及不同分辨率点模型之间的交互式布尔运算。     

基于RBF神经网络的磨矿粒度预测模型

磨矿分级作业是选矿生产过程中至关重要的环节,磨矿粒度的好坏直接影响到浮选的精矿品位和回收率;通过分析实际磨矿过程的生产状况和基本的生产数据,磨矿粒度存在在线检测成本高、滞后时间长、实现困难等问题;在分析RBF神经网络结构特点的基础上,提出用RBF网络建立磨矿粒度预测模型,网络中心的选取采用可以在线学习的最近邻聚类算法;仿真结果表明,该网络非线性处理能力和逼近能力强,学习时间短,网络运算速度快,模型精度满足工艺要求。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

基于径向基神经网络的立体匹配算法*

针对双目视觉中的图像立体匹配问题,提出了一种基于径向基神经网络的立体匹配算法。该算法提取图像的尺度不变特征变换（SIFT）特征建立特征匹配矩阵,对特征匹配向量进行约简,最后将约简的特征匹配向量输入径向基神经网络进行识别输出。仿真和实际图像实验表明,该算法的匹配正确率比标准的SIFT有所到提高。     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于RBF神经网络的风光互补路灯系统MPPT研究

为了提高风光互补路灯的稳定性和使用寿命,根据风光互补路灯系统非线性、多物理量等特性,分别对风力发电和光伏发电采取最大功率点跟踪(MPPT)控制。该方法基于径向基函数(RBF)神经网络,分别以风力发电整流器输出的电压、电流和太阳能电池板输出的电压、电流作为RBF神经网络的输入,通过RBF神经网络直接改变Boost电路的占空比,使风光互补系统工作在最大功率点。仿真和试验结果表明,所提出的MPPT算法与扰动观察法算法相比,有更好的快速性和能量利用效率。