桥梁健康监测损伤诊断方法研究

本文选用RBF神经网络实现对桥跨结构的损伤评估,并采用基于MATLAB的最小二秉法曲线拟合预测特征参数的发展趋势.通过对实际测试结果分析,表明系统性能良好,能够客观地对桥梁整体结构作出评估.     

径向基神经网络辨识非线性系统的改进算法

利用神经网络的非线性映射特性,将神经网络应用于非线性系统辨识。利用径向基神经网络来辨识非线性系统,并对两种不同RBF神经网络辨识算法进行比较。仿真结果表明,改进的算法具有学习速度快,辨识精度高的特点。     

基于S型函数预处理的RBF神经网络交通流量预测

根据交通流复杂性的特点,提出了一种基于S型函数标准化数据预处理的交通流量RBF网络预测方法,缩短了RBF网络训练时间;同时采用OLS算法有效降低RBF网络训练的随机性。实验仿真结果表明,该算法可用于实时交通流量及参数预测,并具有可靠的精度和较好的收敛速度。     

基于RBFNN的铁路混凝土桥梁构件状态评估

介绍了RBF神经网络模型的结构和训练算法,提出了既有铁路桥梁构件的综合状态评估模型,根据RBF神经网络的自适应性和学习能力,成功的将RBF神经网络应用于既有铁路桥梁构件综合状态评估中去,并给出了便于获取,且能全面准确反映桥梁实际工作状态的输入参数.以某铁路线的若干组实测数据对RBF神经网络进行训练和测试,系统输出与期望输出吻合较好,证明了RBF神经网络评估既有桥梁构件综合状态的准确性、有效性和稳定性.     

Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks

Reliable and accurate short-term subway passenger flow prediction is important for passengers, transit operators, and public agencies. Traditional studies focus on regular demand forecasting and have inherent disadvantages in predicting passenger flows under special events scenarios. These special events may have a disruptive impact on public transportation systems, and should thus be given more attention for proactive management and timely information dissemination. This study proposes a novel multiscale radial basis function (MSRBF) network for forecasting the irregular fluctuation of subway passenger flows. This model is simplified using a matching pursuit orthogonal least squares algorithm through the selection of significant model terms to produce a parsimonious MSRBF model. Combined with transit smart card data, this approach not only exhibits superior predictive performance over prevailing computational intelligence methods for non-regular demand forecasting at least 30 min prior, but also leverages network knowledge to enhance prediction capability and pinpoint vulnerable subway stations for crowd control measures. Three empirical studies with special events in Beijing demonstrate that the proposed algorithm can effectively predict the emergence of passenger flow bursts.     

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.     

基于改进OLS算法的RBF神经网络 高速公路事件探测

提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法,同时改进了用于RBF神经网络训练的Oils(正交最小二乘)选择算法.仿真实验证明,改进的OLS选择算法大大提高了RBF神经网络的训练速度同时具有无须事先确定RBF中心的优点,将之运用于公路事件探测可以获得满意的性能.     

支持向量机改进算法在船舶桨叶数分类中的应用

利用船舶目标辐射噪声DEMON谱特征,采用支持向量机改进算法,实现了对船舶螺旋桨桨叶数的分类识别应用研究。针对支持向量机算法对噪声比较敏感和求解最优分类面时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏特性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数2方面进行改进,构造齐次决策二阶损失函数径向基支持向量机改进算法,进行理论分析、数据仿真实验,并应用于利用船舶目标辐射噪声DEMON谱进行船舶螺旋桨桨叶数的分类识别实验。结果表明,该改进算法实现了支持向量机在二次规划中的最小约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,适用于利用船舶目标辐射噪声DENOM进行船舶螺旋桨桨叶数分类应用。     

基于RBF神经网络的传感器故障诊断研究

提出一种基于RBF神经网络的多传感器故障在线诊断方法。同时对该方法在摆式列车加速度传感器故障诊断中的应用进行了仿真研究。仿真结果表明此方法是有效的，不仅消除了零偏对故障诊断的影响，而且提高了故障检测率及可靠性。     

近似模型在非均匀环肋圆柱耐压壳优化中的应用研究

为提高潜水器耐压壳的稳定性和材料的利用率,该文在圆柱耐压壳设计中引入了非均匀肋骨布置方案,采用不等刚度不等间距分布的肋骨形式。在优化过程中,引入了近似模型技术,提出基于近似模型的非均匀环肋圆柱壳结构优化设计方法,通过试验设计在设计空间内选取样本点,建立近似模型,并以此搭建了近似模型优化策略对环肋圆柱耐压壳进行优化。研究结果表明,对于非均匀环肋圆柱壳采用合理的肋骨布置方案能有效地提高其力学性能及材料利用率;二阶 RSM 近似模型和 RBF 近似模型均能合理反映样本空间的样本点,基于近似模型优化方法能以较小的计算量克服优化过程中出现的数值噪声和错误。良好的优化结果表明该优化方法具有广泛的应用前景和空间。