采用RBF神经网络求解反向条纹的研究

提出了一种利用RBF神经网络来确定摄像机和投影器坐标映射关系的方法。首先在投影器坐标系中将数据分为若干个16×16的子区域,然后以（l,m,lm,l2,m2）为输入层的5个神经元（其中l、m为投影器像素坐标）,以摄像机像素坐标i为输出层的神经元,建立RBF神经网络。利用RBF神经网络求解在投影器坐标系中摄像机像素坐标的分布模型,最后得到投影器像素点对应的摄像机像素坐标值。计算机模拟和实验结果表明,与已有的算法相比,该方法能更有效地提高反向条纹投影的求解精度。为反向条纹的求解提供了新方法。     

一类基于RBF插值的守恒重映算法

为保证重映过程的高守恒精度和单调性,并且在间断处具有极高的分辨率,基于径向基函数(RBF)插值方法构造了一类适用于任意网格的RBF守恒重映算法,通过计算守恒误差测试重映算法的守恒精度。将该方法用于光滑函数和含有间断的函数,并与其它守恒重映方法比较,表明该方法数值结果较好。     

基于DEPSO-RBF神经网络的锌银电池SOC估计

电池容量是判断电池性能状态的重要指标。针对锌银电池的荷电状态估计问题,利用电池放电过程中放电时间、放电电流和电池电压3个参数作为径向基神经网络的输入,电池荷电状态为输出,建立电池放电的径向基神经网络模型;为克服径向基神经网络收敛精度不高、易陷入局部极小值的缺点,采用差分进化算法和粒子群算法结合的混合算法优化RBF神经网络;MATLAB仿真结果表明,经过混合优化算法优化的径向基神经网络与仅使用粒子群优化的径向基神经网络相比,估计精度得到大大提高。     

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性. 关键词： 混沌时间序列 预测 径向基神经网络 聚类     

基于果蝇算法优化径向基神经网络模型的白光发光二极管可靠性

根据白光发光二极管失效物理机制选取理想因子、结温、色坐标漂移量等参数作为输入量,利用果蝇算法自学习优化标准径向基神经网络基函数宽度,提高输出精度.研究表明,径向基神经网络模型可以成功预测白光发光二极管可靠性衰变趋势,具有较高的稳定性和鲁棒性;利用果蝇算法优化后,预测平均误差成功减少为3.1%,对未来建立以神经网络为基础的发光二极管可靠性预测模型库提供有益帮助.     

基于改进人工萤火虫算法的无线传感网络覆盖优化

为了提高网络资源利用率延长网络生存时间,提出一种基于共轭梯度法改进人工萤火虫算法(CAGSO)的WSN覆盖优化方案;共扼梯度法是利用目标函数的梯度逐步产生共轭方向并将其作为搜索方向的方法,即利用已知点处的梯度构造一组共扼方向并沿这组共扼方向进行搜索,这种方法经有限次迭代必达极小点;首先建立以覆盖率、节点利用率和能量均匀为准则的覆盖优化数学模型,然后采用改进的CAGSO算法求解该模型,从而得出最优覆盖方案;仿真分析说明,相比基本人工萤火虫算法,改进的CAGSO算法优化的网络覆盖率可以达到94.11％,有效实现WSN覆盖优化。     

基于改进LMBP神经网络的地源热泵空调控制研究

针对BP神经网络训练速度慢并且容易陷入局部最小点的缺点,研究了LM优化算法;为解决LM算法中求解逆矩阵这一最耗时因素的问题,提出将共轭斜量法与LMBP算法结合起来,并通过Matlab编程语言实现,并将其应用到地源热泵冷冻水控制回路中;通过仿真对比,结果表明这种通过算法改进的控制器比PID控制器调节时间快约10 s、超调量小0.4,稳态误差小,具有明显的控制效果。     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

基于径向基函数神经网络的多关节机器人滑模控制器

针对具有不确定性的多关节机器人系统,提出了一种径向基函数神经滑模控制方法;该控制方案采用全局滑模面,将神经网络的非线性映射能力与滑模控制的特点相结合,利用径向基神经网络自适应学习系统不确定性的未知上界,消弱了由滑模控制产生的抖动,同时保证了系统的鲁棒性;基于李亚普诺夫定理给出了系统稳定性的充分条件;仿真结果表明,该方法具有良好的轨迹跟踪和速度跟踪性能,提高了对于建模误差和不确定干扰等因素的鲁棒性。     

基于RBF神经网络的较低浓度下同步荧光光谱的溢油鉴别

针对海面溢油样品的含量难以确定,同时考虑到海水掺杂及风化等问题的影响,提出了在较低非线性浓度范围内采集溢油嫌疑样品的同步荧光光谱,获取其训练样本集,利用主成分分析法(Principal com-ponent analysis,PCA)提取其特征光谱,结合径向基函数(Radial basis function,RBF)神经网络对肇事样本和嫌疑样本进行模式识别的方法。通过对相近油源原油样品分类识别研究表明:该方法仅需单次对肇事样本同步光谱测量,再借助数据分析,就可以很好区分相近油源溢油样品,外扰对识别率影响也不大。RBF神经网络算法识别率在92%左右。该结论对海洋环境中溢油的实时检测及油指纹数据信息库的建立有重要意义。     

基于RBF模糊神经网络的垂直轴风力机设计

半转结构垂直轴风力机具有优良的空气动力特性,为了进一步提高风电系统输出电能的质量,在RBF神经网络与模糊逻辑系统的函数等价条件下,探索了基于T-S模糊模型的RBF模糊神经网络控制算法,并依此设计出两叶结构半转式垂直轴风力机控制器;通过与常规PID控制算法的仿真比较,表明基于T-S模型的RBF模糊神经网络控制算法在两叶结构半转式垂直轴风力机的恒转速控制方面具有一定的优越性。     

基于KPCA-K-means++和GA-LMS模型的改进RBF神经网络室内可见光定位

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法.所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位.利用核主成分分析K-means++(KPCA-K means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值.通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优.仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为 28.6 dBm～-25.1 dBm,定位误差小于0.1m.因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点.     

基于改进神经网络算法的PM2.5污染信号分析检测

当前为了保证污染信号分析的精度,在对PM2.5污染进行检测的过程中,需处理的数据量过大,导致经典神经网络方法遇到矛盾数据时,需要花费大量的数据校验时间,收敛速度下降,检测效率大幅降低,提出一种基于改进神经网络算法的PM2.5污染检测方法,在分析标准神经网络算法的基础上,允许信号跳变精确度范围内,在层与层之间引入容错性变量,同时在计算阈值的过程中融入松弛变量,提高收敛速度;避免神经网络陷入局部最优解。采用改进神经网络算法,通过不断调整网络的权值以及污染阈值,对PM2.5污染信号进行高效检测。以飞利浦公司的新一代检测系统为测试器材,测试结果表明,采用所提方法得到的PM2.5污染检测效率明显提高。     

Trajectory Planning of Robot Manipulator Based on RBF Neural Network

Robot manipulator trajectory planning is one of the core robot technologies, and the design of controllers can improve the trajectory accuracy of manipulators. However, most of the controllers designed at this stage have not been able to effectively solve the nonlinearity and uncertainty problems of the high degree of freedom manipulators. In order to overcome these problems and improve the trajectory performance of the high degree of freedom manipulators, a manipulator trajectory planning method based on a radial basis function (RBF) neural network is proposed in this work. Firstly, a 6-DOF robot experimental platform was designed and built. Secondly, the overall manipulator trajectory planning framework was designed, which included manipulator kinematics and dynamics and a quintic polynomial interpolation algorithm. Then, an adaptive robust controller based on an RBF neural network was designed to deal with the nonlinearity and uncertainty problems, and Lyapunov theory was used to ensure the stability of the manipulator control system and the convergence of the tracking error. Finally, to test the method, a simulation and experiment were carried out. The simulation results showed that the proposed method improved the response and tracking performance to a certain extent, reduced the adjustment time and chattering, and ensured the smooth operation of the manipulator in the course of trajectory planning. The experimental results verified the effectiveness and feasibility of the method proposed in this paper.     

基于RBF神经网络的图像融合复原方法研究

提出了一种基于径向基函数（RBF）神经网络的多通道图像数据融合复原方法,研究了该方法在多光谱图像复原上的应用.将软竞争学习策略和自适应调整隐节点相结合对网络进行优化训练.利用多光谱卫星图像数据,对所提出的方法进行仿真实验.实验结果表明：该融合复原方法提高了复原图像的质量;改进后的学习算法能够保证学习准确度和较短的训练时间;实验还表明RBF神经网络的多通道复原和单通道复原、传统的维纳滤波及最大后验概率方法相比,在改善图像像质上具有明显的优越性.     

基于RBF神经网络的电动负载模拟器摩擦与间隙补偿方法研究

为提高电动负载模拟器系统的动态性能和信号跟踪准确度,提出针对系统摩擦和间隙进行补偿的方法。采用基RBF波神经网络的PID 控制器实现摩擦非线性补偿,同时利用间隙逆模型针对间隙非线性进行补偿。利用Matlab 软件对补偿结果进行仿真验证,仿真结果显示经过补偿后系统正弦响应曲线跟随性能变好,跟踪误差明显减小,准确度得到很大改善。仿真结果证明：基于RBF神经网络的PID 控制器和间隙逆模型分别对摩擦和间隙有明显的抑制效果,系统动态性能得到提高。     

基于RBF神经网络的非色散红外SF_6气体传感器

利用波段为2~20μm的电调制红外宽谱光源和中心波长为3.95μm及10.55μm的双通道热释电探测器,采用单光源双波长光路结构设计了一种新型SF6气体传感器.运用径向基函数神经网络对传感器在检测过程中因环境温度变化所带来的测量误差进行补偿,结果表明:SF6气体传感器在环境温度10~35℃、气体浓度0~0.200%范围内的检测准确度小于±1.5%FS,相对标准偏差为1.56%,可以有效消除在测量气体浓度时环境温度变化引起的非线性影响.与传统经验公式法和温度控制法相比,该方法具有良好的测量准确度和稳定性,且无需增加硬件温度补偿模块,有利于传感器的小型化和低成本设计.     

基于再生核RBF神经网络的瓦斯突出预测系统

该设计的瓦斯突出预测系统由数据采集,数据传输和数据处理三部分组成;首先使用层次分析法和MATLAB选择出了瓦斯突出影响因素,然后使用TMS320C6713和PCI总线技术设计了数据采集和传输系统,同时采用再生核算法来进行RBF神经网络的训练,通过W12[a,b]空间插值逼近的方法,把RBF神经网络的训练转换为解线性方程组,最后使用LABVIEW,MATLAB和CCS混合编程实现了再生核RBF神经网络的训练和仿真以及TMS320C6713软件开发,准确地预测出了瓦斯突出。     

基于神经网络的相位-高度映射算法

建立高精度的相位-高度映射关系是结构光测量技术中的关键技术之一.在精确建立相机图像和投影仪图像对应关系的基础上,使用三层反向传播神经网络训练来建立图像坐标与被测物体三维坐标之间的映射关系.使用带有圆形标志点的平面标定板进行神经网络的样本采集与训练.为了验证本文算法的测量精度,使用训练好的网络对一个标准球和石膏头像进行了测量.实验结果表明,本文算法可以测量具有复杂自由曲面的物体,测量精度可达0.095mm.     

基于径向基神经网络的白矮主序双星自动分类

白矮主序双星的光谱特征是决定其类型的关键因素,如何有效提取恒星光谱的特征是亟待解决的问题。提出一种新的方法,通过构建模型捕获恒星光谱数据的特征,对SDSS-DR10海量光谱进行自动分类。径向基神经网络作为一种有效的计算模型,在数值逼近和目标分类上均有较好的表现效果,但由于目前神经网络超参数的确定大多数依赖于实验经验,很大程度上制约了算法能力的发挥。在分析白矮主序双星光谱数据的高维分布特征的基础上,提出一种基于径向基神经网络的白矮主序双星自动分类模型,并以白矮主序双星的光谱特征为导向,针对恒星光谱提出了中心准则和宽度准则以确定神经网络的超参数,大幅度提高了模型的准确度。实验对分类模型进行数值训练并使用训练的模型对SDSS-DR10光谱数据进行白矮主序双星的自动分类,共发现4 631个白矮主序双星,通过Simbad,NED和Google交叉验证后发现其中有25个是未予以收录的新候选体。实验结果验证了该模型在大规模白矮主序双星自动分类任务中的有效性,新发现的白矮主序双星也为特殊天体的进一步研究补充了有效数据。