采用光纤编码阵列和声光偏转器的电光A/D转换

提出了一种采用光纤编码阵列 (OFCA)和声光偏转器实现电光 A / D转换的新方案。分析讨论了方案中的偏转器入射光发散角、衍射光斑尺寸、A / D转换位数、OFCA的窜扰。介绍了这种新的 A / D转换 (7位 ,数字输出为 842 1码 )试验以及试验结果     

基于径向基神经网络的刀具寿命预测模型研究

通过分析总结影响刀具寿命的主要影响因素,建立铣削刀具加工参数与刀具寿命的径向基神经网络模型。训练模型使用了10组样本数据,以刀具直径、铣削速度、铣削宽度、铣削深度、进给量、刀具齿数作为网络输入参数,采用十折交叉验证方法对所构建模型进行验证,能够对刀具寿命进行较为准确的预测。与传统BP神经网络模型比较发现,径向基神经网络具有更好的预测精度和稳定性,是预测刀具寿命的一条有效途径。     

基于模糊径向基函数神经网络的航空煤油干点估计

研究以模糊聚类和径向基函数网络结合的模糊径向基函数网络ＦＲＢＦＮ,并用主元分析对高维输入变量进行预处理,降低了模型的输入变量维数,进而构造基于ＰＣＡ－ＦＲＢＦＮ的估计模型,这一方法通过对加氢裂化装置分馏塔航空煤油干占估计得到验证。     

基于径向基函数神经网络的发动机智能故障诊断

本文提出了一种新的汽车发动机故障诊断方法。首先利用小波包对故障信号进行处理,将能量信息作为识别故障的特征向量,并采用了隐含层节点的动态删除策略对径向基函数神经网络结构进行精简。利用训练样本数据,得到最优预测模型,并用检验样本数据对所得的预测模型进行检验。试验表明该诊断方法对发动机故障诊断有良好的诊断效果,能够对故障进行准确分类。     

基于KPCA与径向基神经网络的滚动轴承故障诊断

为了解决滚动轴承故障诊断中数据量大以及分类结果不准确的问题,本文提出一种核主成分分析法(Kernel-PCA)结合径向基神经网络(Radial Basis Function, RBF)的诊断方法。通过KPCA算法对1000组样本数据进行降维处理,最大程度保留了原始数据的特征信息。利用K-Means聚类算法确定RBF神经网络的高斯函数的数据中心以及扩展常数,通过线性最小二乘法得到隐层与输出层的连接权值以及阈值,最终测试样本数据的均方误差为0.0694。     

信息扩散和径向基神经网络的注塑模型建立

在使用径向基神经网络建立注塑工艺模型时,虽然能够得到较好的模型,但是建模时训练样本数量将会对模型的质量产生较大的影响。本研究对建模所需的原始样本数据首先进行信息扩散处理,然后再使用径向基神经网络建立注塑工艺参数与塑件沉降斑指数之间的模型。从结果上看,在注塑训练样本数量相同的情况下,运用该方法均可以得到优于仅使用普通径向基网络构建的模型。     

基于径向基神经网络的废旧铝分离技术研究

建立了一套废旧铝喷气式分离系统,使用不同气压吹不同体积的废旧铝进行实验,测量其被吹离距离,获得230组训练集、80组测试集数据,从而建立径向基网络模型,拟合优度可达93%,均方根误差低至2.99。结果表明该套系统构造简单、识别效果准确,可以根据废旧铝具体情况预测出吹离距离,选取合适大小的气流进行自适应分离操作,实现对不同成分的废旧铝进行精细分离的目的。     

基于径向基神经网络的直线超声电机位置控制

针对直线超声电机的精密位置控制,提出了一种基于径向基神经网络的自适应控制机制。鉴于直线超声电机工作原理,其运行状态必然受到摩擦、强非线性和时变等不确定性因素的干扰,为了对这些不确定性因素进行有效的逼近,采用了径向基神经网络。为了提高控制机制的自适应能力,首先利用来自试验数据的训练样本按正交最小二乘算法确定径向基神经网络的隐层单元的个数和相关参数,再按递推最小二乘法在线调整隐层与输出层之间的权重。试验结果表明,基于径向基神经网络的自适应控制器的性能不仅优于传统的PID控制和误差反向传播神经网络控制,而且具有很好的抗干扰能力。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于径向基函数神经网络的铣刀磨损监控技术的研究

提出一种基于径向基函数神经网络的铣刀磨损监控方法,径向基函数神经网络的输出是刀具磨损的具体值,这样有利于对刀具磨损进行各种实时补偿。实验表明,利用径向基函数神经网络进行状态识别可对小型立铣刀的磨损进行监控,能够取得良好的效果,同时证明RBF网络的训练速度优于BP网络。     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于径向基函数神经网络的液力变矩器基本性能参数分析

径向基函数(RBF)神经网络是一种在逼近能力、分类能力和学习速度等方面均优于BP网络的另一种网络.针对液力变矩器性能试验中的数据处理和分析需要,提出了应用径向基网络对试验数据进行辅助分析,实现数据分析处理的自动化.通过对仿真后的数据、图表的分析,为液力变矩器与发动机匹配提供了数据基础.     

基于径向基函数神经网络拟合水泵特性曲线

通过试验方法绘制出水泵的特性曲线是判断水泵是否满足设计要求的基础.特性曲线拟合的精度决定判断的准确性.人工神经网络具有较强的非线性处理能力和逼近能力.在分析水泵性能试验及其特性曲线和阐明径向基函数神经网络的方法理论及其特性的基础上,建立了径向基函数神经网络拟合水泵特性曲线的模型并加以应用.结果表明:效果显著,具有工程应用价值.     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.     

基于全矢谱和径向基概率神经网络的旋转机械故障诊断方法研究

结合全矢谱和径向基概率神经网络的优点,提出一种故障诊断的新方法,该方法是以提取全矢幅值谱的特征输入到径向基概率神经网络分类器进行故障识别.试验结果表明,该方法与传统单通道相比故障正确识别率很高,把它应用于旋转机械故障诊断是有效的.     

基于径向基网络的变速箱载荷识别研究

提出了一种基于径向基网络的识别变速箱载荷的新方法,该方法应用径向基函数网络建立了箱体表面振动响应信号与轴承激励之问的非参数映射模型。通过变速箱在随机激励下的载荷识别结果表明,这种利用径向基网络识别变速箱载荷的方法是可行的,并且具有识别精度高、运算速度快及稳定性好等优点。     

基于径向基神经网络的刀具材料与形式的多层次多目标优选技术

根据人工神经网络具有自学习、自组织功能及处理系统内在的难以解析表达的规律性的特点,提出了综合优选的神经网络构成原理与实现途径,从而为刀具材料与形式的选择这样一个多层次、多目标综合优选的问题提供一种简便、有效的途径。     

基于并行核径向基神经网络的软测量与控制模型

转炉提钒过程中存在大量多元非线性因素,难以从统计学和机理上建立各操作参数与生产目标的优化控制模型,为优化转炉的操作参数,建立了基于径向基神经网络的半钢钒含量软测量和控制模型.径向基神经网络常用于非线性回归预测和控制,但是高维的核函数矩阵运算需要花费巨大计算资源.为了缩短计算时间,本文设计了并行算法用于计算径向基网络核函数矩阵,并将它用于转炉提钒软测量和控制模型,在以MPI构建的工作站机群上执行该算法,利用实际数据验证了该算法的加速性和准确性.     

磁力仪温度误差的径向基神经网络补偿模型

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。