基于引力搜索RBF神经网络的柴油机故障诊断

为了解决RBF神经网络的参数选择问题,以便提高柴油机故障诊断的精度,提出了一种基于引力搜索算法和RBF神经网络相结合的智能故障诊断方法.该方法首先采用减聚类算法确定网络隐层单元数,然后提出改进引力搜索算法优化RBF神经网络的参数.利用国际标准样本集对该方法进行分类测试,并将该方法应用于柴油机故障的诊断,仿真实验验证了该方法对柴油机故障的分类和诊断效果.     

RBF神经网络在黄河口水沙通量研究中的应用

介绍了RBF神经网络的结构与学习算法,并对黄河河口利津断面的实测资料进行归纳整理,以此建立了用于预测利津断面未来年份水沙通量的RBF神经网络水沙预测模型,对水量和沙量进行了仿真预测。结果表明,该模型对水沙预测结果与实际情况符合较好。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

关中城市群高速公路与新型城镇化体系的空间耦合发展分析

以关中城市群为例,构建高速公路与新型城镇化测评体系,针对高速公路布局与新型城镇化发展之间的交互关系,借鉴耦合度函数提出高速公路与新型城镇化进程的耦合协调度计算模型,应用此模型研究关中城市群2013年~2017年新型城镇化发展和高速公路之间的耦合现状。在此基础上,选取关中城市群高速公路与新型城镇化相关指标数据作为训练样本,引入径向基函数(RBF)神经网络模型对2018年~2020年的空间耦合协调态势进行拟合验证并预测。结果显示:关中城市群高速公路与新型城镇化系统的耦合协调度呈现普遍上升态势,但整体仍处在较低发展水平,存在较大的发展空间。     

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。     

柔性身管的RBF神经网络PID控制

由于舰炮身管的弯曲振动,传统的利用炮管轴角位移进行反馈控制的方法无法精确控制炮口指向。针对这一缺点,提出了一种利用炮口角位移作为随动系统位置环反馈信息的控制结构。为模拟身管的振动,应用多刚体动力学对舰炮身管进行了柔性体建模。为改进后的控制结构设计了基于RBF神经网络整定PID参数的控制器,并与传统PID控制器的控制效果进行了仿真对比,验证其对于提高随动系统控制精度的有效性。     

基于RBF优化控制氢燃料发动机点火提前角

基于RBF神经网络构建氢(H2)燃料发动机最佳点火提前角优化模型,对点火提前角进行优化控制,改善H2燃料发动机动力性、经济性以及排放性能。试验结果表明,该模型能预测H2燃料发动机最佳点火提前角,并可以大大减轻标定试验工作量。     

基于RBF网络的混凝土抗压强度的预测

为了预测混凝土的抗压强度,在分析RBF神经网络原理的基础上提出了用RBF神经网络模拟抗压强度与各影响因素间关系的方法。根据搅拌机的实际工作状况,建立了4个输入节点、1个输出节点的RBF神经网络模型,通过19组试验,验证了模型的可靠性。结果表明,实测结果与预测结果相接近,RBF神经网络模型是一种较准确的快速预测混凝土抗压强度的方法。     

基于RBF神经网络的水面船舶轨迹跟踪控制

针对速度矢量不可测、动态参数不确定以及具有未知扰动和磁滞特性的水面船舶系统,提出一种基于径向基函数神经网络的自适应反馈轨迹跟踪控制方案。根据船舶的状态矢量,利用高增益观测器估计水面船舶系统的不可测速度矢量,并通过一个函数描述间隙类磁滞对系统的影响。利用径向基函数神经网络的逼近能力和反步法设计控制器,基于李雅普诺夫稳定性理论,验证所设计控制器的稳定性,证明系统所有的闭环信号都是半全局一致有界的。通过仿真验证了控制器的有效性。     

基于PCA和RBF神经网络的绞吸挖泥船实时产量预测

绞吸挖泥船在实际作业过程中的动态特性非常复杂,影响产量的控制因素众多。若这些控制因素全部参与产量预测比较耗时。为了实时训练网络及预测产量,先对影响绞吸挖泥船产量的控制因素进行主成分分析(PCA),再根据分析结果约减控制因素;在系统仿真建模中,分别以全部因素和约减后因素作为径向基(RBF)神经网络的输入变量,以产量作为输出变量来建立绞吸挖泥船产量预测模型。结果表明,减少输入变量,不仅降低产量预测模型的复杂程度,减少神经网络计算耗时,而且能保持模型良好的预测精度,从而为施工现场的操作人员提供实时的产量参考。