基于RBF的混沌序列产生的新方法

介绍了利用RBF(Radial Basis Function)网络产生混沌序列的方法,即利用RBF网络跟踪混沌序列的模型,分析RBF神经网络对混沌序列的学习能力.最后利用最大Lyapunov指数判别法检验其序列,结果表明其序列具有较好的保密性能.     

基于RBF的混沌序列产生的新方法

介绍了利用RBF（Radial Basis Function）网络产生混沌序列的方法，即利用RBF网络跟踪混沌序列的模型，分析RBF神经网络对混沌序列的学习能力。最后利用最大Lyapunov指数判别法检验其序列，结果表明其序列具有较好的保密性能。     

基于RBF神经网络结构选择方法的Mackey-Glass与Lorenz混沌时间序列预测建模

混沌时间序列的频谱状态丰富,能在不同状态下反映信号的激励特性,所以常用作预测建模的测量序列.传统的混沌时间序列的结构选择往往依赖于经验,无法充分反映混沌系统的特性,容易导致模型的推广范围较窄.针对以上问题,提出了一种基于RBF网络的Mackey-Glass与Lorenz混沌时间序列预测模型,利用模型结构选择方法来充分反映混沌系统的时序特性,并通过模型优化等策略提高模型的泛化能力.结果表明,模型结构选择方法能有效提高混沌时间序列的预测精度,具有良好的应用前景.     

混沌伪随机序列的产生及在网络安全中的应用

一般利用混沌产生随机序列都是用混沌迭代函数进行迭代运算产生 ,但是由于计算机的计算精度有限 ,每次迭代运算都会有舍入误差的出现。如果多次迭代 ,误差累计可能最终导致产生的序列退化为周期序列。介绍了一种混沌函数 ,利用这种函数可以直接产生混沌序列 ,并在计算机网络上进行了加解密实例验证     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

混沌映射的保密性能分析

通过实例说明两个具有拓扑共轭关系的混沌映射具有相同的Lyapunov指数.指出了仅仅使用Lyapunov指数作为混沌映射的密码学特性描述,具有一定的局限性.并利用混沌序列的伪随机特性,通过计算映射的自相关函数、互相关函数等随机数值特性,结合Lyapunov指数,分析了混沌序列的保密性能.     

RBF神经网络混沌背景下微弱信号检测方法研究

船舶信号检测系统在检测水场压力值等信号时,会遇到海浪、强风等较强的噪声干扰。为了有效降低信噪比,提取微弱信号,本文提出基于RBF神经网络的混沌背景下微弱信号的检测方法。该微弱信号检测方法基于混沌动力学和静力学原理,利用RBF神经网络算法将敏感程度高的混沌振子与RBF神经网络拓扑结构相结合,构建抗干扰能力强、接收信号能力强的微弱信号检测系统。     

基于两层编码的进化算法及其在控制混沌中的应用

针对RBF(Radial Basis Function)网特点,提出基于两层编码的进化算法来同时确定网络结构和参数.文中分别采用两种不同的遗传算法GA(Genetic Algorithm)和进化规划EP(Evolutionary Programming)训练网络.实验结果表明,基于这三种不同进化算法的RBF网络都能有效地控制混沌系统,其中EP的训练和控制结果最优.     

混沌神经网络优化机制研究

分析了混沌神经网络的优化机制,研究了具有模拟退火特性的混沌神经网络模型,给出了混沌神经网络的能量函数,以及计算网络Lyapunov指数的方法,从理论上证明了当网络参数满足一定条件时,网络具有混沌性状。在仿真实验中,应用Hopfield网络和混沌神经网络求解信道分配问题。结果表明,混沌神经网络在求解优化问题时具有更强的搜索全局最优解的能力,和更快的收敛速度。     

径向基神经网络在水下船体防腐中的应用

采用改进型径向基函数神经网络来预测水下船体电位,从而达到船体防腐的目的。首先,分析采用无单元法求解问题的优越性;然后,介绍径向基函数神经网络的原理,通过建立水下船体的数学模型来获得船体电位,采用层次凝聚算法和K-均值聚类算法来确定径向基函数神经网络的中心节点,从而建立神经网络;最后,对神经网络的预测能力进行MATLAB仿真检验。结果表明,采用改进型的径向基函数神经网络来预测船体电位获得了很高的精度,对于船体防腐保护达到了很好的效果。     

基于RBF神经网络的雷达网抗干扰效果评估

通过分析雷达网抗干扰效果的评估指标集,建立了一种基于RBF神经网络的雷达网抗干扰效果评估模型,并通过试验数据样本进行学习训练RBF神经网络模型。最后,利用训练好的RBF神经网络模型对雷达网的抗干扰效果进行评估,结果表明基于RBF神经网络的雷达网抗干扰效果模型具有一定实用性和可行性。     

基于改进型RBF神经网络的磁流变阻尼器动力学建模及仿真

为提高磁流变阻尼器(MRD)动力学精度,提出一种网络连接权值自适应调整的改进型RBF神经网络模型。利用与任一测试样本相邻的两个训练样本对应的实际连接权值,对测试样本连接权值进行线性插值,提出连接权值的自适应算法;搭建MRD动力试验平台,进行多频率、多振幅的动力性能试验,利用大量实测力学特性数据,建立RBF神经网络模型以及连接权值自适应调整的改进型RBF神经网络模型,分析比较RBF神经网络模型在改进前后的平均累计相对误差变化规律,并进行数值仿真计算和试验测试分析。研究表明,在正弦激励频率0.25 Hz～1.0 Hz、振幅5 mm～15 mm、电流0～1.25 A工况下,相比于传统RBF神经网络模型5%的最大误差均值,改进型RBF神经网络模型使建模误差均值多控制在0.45%～0.85%之间,有效改善MRD的动力学特性,建模精度较好满足工程实际需要。     

基于模糊RBF神经网络的辐射源识别

针对模糊识别系统的不足,为了提高辐射源识别系统的识别正确率,构建了基于模糊RBF神经网络的辐射源识别系统,提出了一种等价型模糊RBF神经网络的结构和学习算法,采用五层神经网络结构来实现模糊系统的模糊化和规则推理,神经网络的所有节点和参数对应了模糊系统的隶属函数和推理过程.在仿真实验中,分别采用模糊识别系统、并联型模糊RBF神经网络、结构等价型模糊RBF神经网络进行辐射源识别,给出了三种算法在相同噪声环境下的仿真结果,表明等价型模糊RBF效神经网络有较高的正确识别率,具有更强的抗干扰能力,但运算量相对较大.     

RBF神经网络在柴油机燃油系统故障诊断中的应用研究

本文主要介绍了径向基（RBF）神经网络在柴油机燃油系统故障诊断中的应用,并且首次将神经网络和虚拟仪器技术相结合,成功用于柴油机故障诊断中。比较了RBF和误差反传（BP）神经网络的学习速度和诊断精度。研究表明,将RBF神经网络和虚拟仪器相结合进行柴油机故障诊断具有良好的诊断效果和精度,有很好的工程应用前景。     

网络遥操作机器人系统神经网络预测控制仿真研究

为了改善网络随机时延影响网络遥操作机器人系统稳定运行的问题,采用RBF神经网络对网络实测时延进行预测,取得较好的预测效果。结合Smith预估控制,提出了一种基于网络实测时延的遥操作机器人系统神经网络预测控制新方法,仿真实验结果表明了该方案的有效性和鲁棒性。     

基于RBF神经网络补偿的动力定位PD控制

动力定位控制系统在实际工况中会受到外部风、浪、流等环境力的扰动,本文主要研究PD+RBF控制算法以提高动力定位系统的抗干扰性和稳定性.RBF神经网络用来补偿外界环境扰动,其权值自适应律通过Lyapunov稳定性证明得到,通过稳定性的分析能够保证整个系统全局渐进稳定.在一艘平台供应船的仿真结果对比中显示了所提出控制器的有效性.     

RBF神经网络在传感器故障诊断中的应用研究

提出一种基于RBF神经网络的传感器在线故障诊断方法,用某气囊隔振系统隔振装置中大量的传感器数据进行了仿真实验,验证了方法的可行性.通过对每个传感器建立单独的神经网络预测模型,实现多传感器的故障诊断.     

传感器组故障自诊断自修正方法

提出用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略。     

基于VMD和RBF的舰船管路泄漏识别和定位

针对工作环境恶劣、维护保养不便的舰船管路难以迅速定位泄漏点并对其进行损害管制,提出了一种基于VMD和RBF的舰船管路泄漏识别和定位方法。首先,对管路泄漏产生的空化现象、湍流和流体与管路的摩擦进行分析,研究影响泄漏产生激励的因素;然后,提出一种基于变分模态分解(VMD)与径向基函数(RBF)神经网络的管路泄漏识别和定位方法,通过VMD得到有效分量的中心频率和能量值分别构造特征向量,输入RBF神经网络以达到泄漏识别和定位目的;最后,模拟舰船环境,搭建泄漏管路试验平台,分析泄漏管路不同工况下的振动信号,并对RBF神经网络的诊断准确率进行验证。实测舰船管路故障信号分析表明,泄漏识别的准确率为90%,泄漏定位的准确率为87.5%。