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。     

基于高斯混合模型和变量重构组合法的故障诊断与分离

提出了一种将变量重构与高斯混合模型结合的故障诊断与分离的方法。首先建立过程数据的高斯混合模型,解决了监控过程的测量数据不服从单峰的高斯分布所带来的问题,然后进行故障数据变量重构,估计未知参数并采用最大期望算法来估测均值与协方差矩阵。在此基础上建立统计模型进行故障的诊断与分离。与传统的贡献图分离故障的方法比较,通过田纳西-伊斯曼化工过程进行实验验证,本文提出的高斯混合模型与变量重构相结合对多状态过程进行故障的诊断与分离收到较好效果。     

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。     

基于主元空间动态模型的故障检测方法

建立了一种基于主成分分析的主元空间线性动态模型,将主成分分析的得分变量视为由高斯白噪声驱动的线性动态模型输出,可有效去除主元得分向量的动态相关性,动态模型参数可以通过期望最大化方法迭代辨识。分别在主元残差空间和主元空间线性动态模型上建立监控统计量,从而实现对动态过程的故障检测。通过数值仿真验证,该算法故障检测的检测率和误警率均表现良好。     

各向异性层合阻尼结构的BP集成神经网络模型设计

本文以各向异性层合阻尼结构为研究对象,设计一种基于BP集成神经网络的智能分析模型。该模型中的集成神经网络由两个子系统神经网络并联融合而成,学习算法主要采用Sigmoid函数。同时,该模型设计针对各向异性层合阻尼结构参数的扰动性问题综合采用结构模式归类、学习算法的改进、小波分析方法予以处理。计算结果表明:该BP集成神经网络模型,较好地解决了各向异性层合阻尼结构参数的扰动性问题,并能有效量化结构参数的变化影响。     

基于光纤智能夹层和模糊RBF神经网络的飞行器载荷识别

为了更好地保障航空飞行器的安全,提高飞行器的可靠性,提出了一种通过性能参数稳定的光纤智能夹层采集数据,并且结合模糊RBF神经网络对机翼盒段载荷进行识别实验的方法.该方法融合了模糊理论和神经网络各自的优点,通过改进的模糊C均值聚类(FCM)聚类算法删除冗余的规则以进行规则的优化,能自适应地从学习样本数据中提取相应信息,实时地进行载荷辨识.从仿真结果可以看出:该网络模型具有学习时间较短、学习速率较快和精度较高等优点.     

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。     

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。     

一种模糊Modular神经网络模型及其应用

将神经网络模糊系统与模糊C均值聚法相结合，对模糊Modular神经网络进行研究，提出了该模糊神经网络模型的多输出结构及其学习算法，据此开发了模糊神经网络诊断系统，并将其用于某电源分系统的诊断分析，运行的结果表明，该网络模型优于一般神经网络。     

ZN-1型粘弹性阻尼材料模型参数修正研究

为了给被动约束阻尼（PCLD）结构的动力学分析提供更精确的粘弹性材料数学模型,进行了ZN-1型粘弹性阻尼材料模型参数修正的研究。以模型参数为优化变量,以PCLD悬臂梁固有频率和损耗因子的误差最小为优化目标,采用混合遗传算法修正了ZN-1型粘弹性阻尼材料模型参数。修正模型参数后PCLD梁动力学特性计算值比原始模型更接近于试验值。     

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。     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

一种方形盒坯料快速设计方法

针对冲压件坯料设计存在的难题,本文以方形盒冲压件为对象,提出一种结合径向基函数神经网络(RBFNN)和有限元反向法(IA)的快速坯料设计方法。利用神经网络高度的非线性映射能力,建立方形盒零件几何形状和坯料轮廓尺寸的映射模型。利用有限元反向法为RBFNN提供训练样本,同时采用基于变形路径的坯料优化方法改进了训练样本的精度,提高了RBFNN模型对的坯料外形的预测能力。实验证明采用RBFNN-IA方法可以实现方形盒坯料的快速设计,而且可以提高坯料的预测精度。     

基于径向基函数神经网络的自由曲面重构

根据径向基函数神经网络（RBFNN）具有很强的非线性逼近能力的优点，本文采用RBF网络模型进行自由曲面重构，建立了适应于曲面重构的径向基函数网络模型，讨论了基函数对重构曲面连续性的影响，并与多自由曲面重构，建立了适应于曲面重构的径向基函数风络模型，讨论了基函数对重构曲面连续性的影响，并与多层感知器神经网络的性能进行对比。理论分析和仿真实验结果表明：常用的几种径向基函数重构的曲面都具有很好的连续性，径向基函数网络用于曲面重构，不论是在拟合精度，还是网络的训练速度都明显优于多层感知器网络，具有一定的实用价值。     

一种ARMA模型的阶数递推辨识算法

本文从实际物理系统出发,提出了一种基于广义最小二乘的阶数递推ARMA模型辨识算法——REARMA算法.利用最小二乘逆的递推计算,大大加快了系统辨识的速度.     

基于小生境遗传自适应RBFN的歼击机故障认定方法

在模式识别领域中,如何实现更高精度的分类一直是个核心问题。本文提出了将自适应RBF神经网络与小生境遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点或者将样本归于已存在的隐层节点所属的类;小生境遗传算法用于寻找最优的网络宽度值。两者相结合最后确定一个隐层节点数与类别数相同的俭省的网络。用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的故障认定。     

动态神经网络的模型检验

讨论了利用仅含一个隐层的前馈多层神经网络来辨识离散时间非线性动态系统时的模型检验问题。从估计理论出发，加上实际应用的考虑，提出了一种检验神经网络模型适用性的综合误差指标（ＳＥＩ）准则，并利用学习速度快、收敛性能好的递推预测误差（ＲＰＥ）学习算法，对两个例子进行了仿真计算。结果表明：综合误差指标准则可用来检验非线性动态系统的神经网络模型。与相关检验法相比，综合误差指标准则具有计算简单、使用方便等优点。最后，指出了今后的研究方向。     

实现方差自适应增强的递归滤波器法

介绍了用递归低通滤波器方法来实现图象的方差自适应增强。提出了以局部统计值为基础的自适应增强的数学表示式，以及采用递归低通滤波器实现的方法，并对速归滤波器的设计作了较详细的分析和说明。在运算过程中，考虑各种因素，对输出的影响，适当选择合适的参数以获得令人满意的效果。在ＭＯＤＥＬ７５图象系统上用上述算法实现图象增强，效果是明显的，使处理后的照片提高了局部对比度，细节更加清晰。