基于相空间重构的网络流量RBF神经网络预测

应用混沌理论，分析了网络流量，用单变量的网络流量时闯序列重构与网络动力系统等距同构的相空间，进而计算了实际网络的关维数和Lyapunov指数，并证实了网络流量存在混沌特性；据此建立了基于径向基函数（RBF）神经网络的模型，并对实际网络数据流进行了预测。仿真结果表明，相对于其他前馈神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

一种基于粗糙K-均值的椭球基函数神经网络

改进了一种椭球基函数神经网络,它与经典椭球单元神经网络的结构不同,而与径向基函数神经网络结构类似,即它有一个隐含层,并且隐层单元采用椭球基函数,区别于RBF网络的高斯函数。本文采用粗糙K-均值方法求取椭球函数的中心,并给出了该方法中确定初始阈值的步骤。这种改进方法不但使对输入空间的划分局部作用,而且划分区域封闭有界。因此,改进的神经网络具有较好的函数逼近能力和模式识别能力。仿真实验验证了该椭球基函数神经网络的正确性和有效性。     

基于径向基函数神经网络的模型跟随自修复控制

提出一种基于径向基函数神经网络的模型跟随非线性自修复控制方法。该方法可不必精确已知故障的位置及程度,即可重构控制律使系统在故障情况下的输出精确跟踪期望参考模型的输出,并采用神经网络控制器以补偿邦联引起的非线性因素的影响。     

多层前向BP网络函数逼近能力的研究

对多层前向神经网络的函数逼近能力进行了研究，讨论了用多层前向ＢＰ网络来逼近非线性函数时，输入激励信号的选择和增加隐层层数和每层神经元个数对逼近精度的影响。为了在隐层层数、每层神经元个数有限的情况下，加快网络学习速度，改善逼近效果，本文提出了利用对被逼近函数的先验知识，在隐层前加一函数层的思想，并通过仿真证明了其有效性。     

基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。     

互耦补偿的神经网络算法用于均匀圆阵波达方向估计

径向基函数神经网络方法在阵列信号处理中得到广泛应用。但是，阵列天线单元间耦合对基函数中心的影响会降低波达方向估计的精度，因此有必要对神经网络的输入数据进行互耦补偿，以生成正确的基函数中心。本文首先利用矩量法计算天线阵的广义阻抗矩阵，再使用直接数据域算法对神经网络的训练数据进行互耦补偿，神经网络训练完成后，神经网络用于实现波达方向估计。仿真结果表明，神经网络算法和直接数据域算法结合具有补偿效果好，计算量小的特点。     

基于径向基神经网络的有限元模型修正研究

设计参数型有限元模型修正属于结构动力学反问题，其理论基础是将结构的特征量视为设计参数的函数。然后依据特征量对设计参数的一阶导数信息进行迭代求解。本文提出了一种基于径向基神经网络的有限元模型修正方法，把模型修正归结为正问题进行研究。首先将特征量视为自变量．设计参数视为因变量，以径向基神经网络逼近两者之间的非线性映射关系，然后利用神经网络的泛化特性直接求解设计参数的目标值。不但无需迭代求解，而且避开了反问题所面临的复杂的非线性优化计算。GARTEUR飞机模型仿真研究的结果表明．修正后设计参数误差在2％以内，模态频率误差在1％以内。     

基于神经网络的一类非线性系统自适应回馈递推控制

文章针对一类非线性系统,研究了一种基于回馈递推法的自适应神经网络控制方法.首先基于隐函数定理和中值定理推导出模型跟踪误差的动态特性,再利用多层感知器神经网络并设计适当的权值调整规则使其能够自适应的逼近和补偿误差提高系统的鲁棒性.基于Lyapunov方法证明了闭环系统所有信号有界且跟踪误差收敛到一个很小的邻域,所得到的闭环系统是一致稳定的.仿真结果验证了所研究算法的有效性.     

结构健康监测系统中的频率响应方法

本文就频率响应方法在结构健康监测系统中的应用进行研究。运用有限元方法计算了圆形通孔与分层两种损伤对复合材料结构动态特性的影响,尝试利用RBF(径向基函数)神经网络对损伤进行识别与定位,并取得不错的结果;对频率响应方法在结构健康监测系统中应用的可行性及其在健康监测系统中的应用进行讨论。     

具有复合非线性特征不确定系统的自适应反推控制（英文）

针对一类具有复合非线性特征的不确定系统,提出了一种自适应反推多滑模近似变结构控制方案。基于模型分解的方法建立了具有复合非线性特征的执行器模型。论文设计径向基函数神经网络近似系统的未建模项,借鉴Nussbaum增益设计技术解决控制增益未知的问题,使用自适应律估计不确定干扰和神经网络近似误差的上边界。自适应近似变结构控制能够有效削弱控制信号的抖振,同时增强控制器的鲁棒性。基于Lyapunov稳定性理论,证明了整个控制系统的稳定性。该控制方案的主要创新点在于考虑并解决了不确定系统具有复合非线性特征的控制问题。最后,仿真结果证明了控制方案的有效性。     

基于径向基函数的机翼和翼梢小翼外形优化

对机翼和翼梢小翼外形参数的优化方法进行了研究.利用径向基函数(RBF)来构建机翼和翼梢小翼的优化模型.在有、无翼根弯矩约束的两种情况下,分别结合序列二次规划法和拟牛顿法优化方法,针对优化目标:机翼诱导阻力最小,优化得到机翼和翼梢小翼的最佳外形参数.实验证明本文优化方法能够取得满意的优化效果,对翼梢小翼的优化设计问题具有一定的参考价值.     

基于模糊径向基神经网络的小型无人机控制系统研究

为保证小型无人机的飞行安全,提出一种由无人机飞行控制器和地面学习单元构成的两层网络学习控制系统架构。无人机飞行控制器采用模糊控制策略,学习单元采用经遗传算法优化的径向基神经网络,充分利用模糊控制和神经网络的各自优势,将模糊控制策略与RBF神经网络相结合提出了一种基于RBF神经网络的自学习模糊控制策略。所设计的飞行控制器用于无人机飞行过程中的姿态控制,仿真及实验结果表明本方法是有效的。     

粒子运动轨迹的图像处理及流场重构算法研究

为了高效获得颗粒的速度分布，提出一种针对单帧单曝光图像的图像处理方法和流场重构方法。图像处理过程包含去噪、锐化、自适应阈值分割、闭运算、去除小颗粒、骨架提取、速度提取、二义性判断、求切线等步骤和方法，对该处理过程的主要误差也进行了分析与修正。流场重构使用了基于RBF（Radial Basis Function）插值且采用迎风插值进行优化的算法，插值结果以速度云图及矢量图的形式展示，对该过程的主要误差也进行了分析与验证。最后的处理结果显示，针对单帧单曝光图像的图像处理方法和流场重构方法具有可行性。     

改进RBF网络及其在悬索桥吊索损伤定位中的应用

研究了RBF网络行为的过拟合现象,提出了基于R2+准则与Jackknife校验的改进算法。以润扬大桥南汊悬索桥为背景,在对其吊索损伤分析的基础上,构建了RBF损伤定位网络。研究表明,本文提出的改进RBF网络可以较好地对吊索进行损伤定位。     

基于图像特征分类和RBF网络的两轴车辆动态称重技术

汽车在行驶过程中的总重信号通常由各轴重信号确定,各轴重信号的测试精度取决于对车辆运动参数和振动信号等的精确分析。本文采用径向基函数(Radial basis function,RBF)网络处理轴重信号,针对该网络的泛化能力与拟合精度的矛盾,将车辆按照重量分为大、中、小3种类型,并进行整车建模和网络训练;实际测试过程中,利用汽车俯视图像提取类型特征,然后根据汽车的类型将测试参数输入不同的神经网络进行处理,以静态测量结果为相对真值。仿真结果表明,分类建模比单一混合建模具有更高的测试精度。     

飞机外形件三角网格模型光滑B样条曲面重建

综合考虑曲面重建时的拟合精度、曲面片拼接处的连续性和曲面的光顺性等因素,以三角网格模型的双三次B样条曲面重建为例,研究了飞机外形件三角网格模型的分片光滑B样条曲面重建方法。该方法首先采用最小二乘法逼近散乱数据,初步获得分片B样条曲面;然后将光顺准则加权到最小二乘函数中调节曲面光顺程度;最后运用罚函数法保证曲面片边界近似G1连续。将该方法应用于飞机外形件实测数据的曲面重建,误差分析结果验证了方法的有效性。     

基于多源数据融合的翼型表面压强精细化重构方法

在风洞试验模型表面布置测压孔是获得表面压力分布的重要手段，但受限于空间位置和试验成本，通常难以在复杂模型表面布置足量的测压孔获得完整的表面压力分布信息，直接积分获得的升力和力矩精度不足，因此提出了一种融合稀疏的风洞试验数据和数值计算（CFD）数据的方法，通过较少的风洞测压试验数据获得高精度的压力分布。首先通过本征正交分解技术提取数值计算数据的压力分布低维特征（POD基函数），然后利用稀疏的试验测压数据，通过压缩感知算法获得基函数的坐标，最后将坐标转化到物理空间重构出压力分布。利用定常固定翼型变状态以及变几何变来流状态算例验证该方法的精度，重构结果均能精确匹配试验结果。该重构方法可在一定程度上解决空间受限稀疏观测条件下的分布载荷精细化重构难题。