一种非线性系统集员辨识算法

针对带有未知有界噪声的非线性动态系统的鲁棒辨识问题,提出了一种新的非线性动态系统的集员辨识算法.利用径向基函数神经网络的逼近能力,根据系统的输入输出数据,选用径向基函数神经网络对未知非线性系统建模.径向基函数神经网络的中心被确定之后,考虑到建模误差与系统噪声有界,利用径向基函数神经网络为参数线性模型的特点,使用参数线性集员辨识算法辨识径向基函数神经网络的输出权值.由于集员辨识算法所得到的是网络输出权值的集合估计,在系统运行过程中,可以很方便地利用所建模型预测实际系统的输出范围.仿真表明,集员辨识算法辨识网络的输出权值比最小二乘法较少的受未知动态系统噪声分布的影响.     

多项式基函数神经网络的结构可靠性分析

研究了多项式基函数神经网络法的结构可靠性计算.当结构的极限状态函数复杂,非线性程度较高,功能函数为隐式时,传统的结构可靠度分析方法计算困难,多项式基函数神经网络法为解决结构可靠性分析提供了一种新方法.基于多项式逼近理论,利用神经网络模拟逼近能力,将多输入多项式作为网络的激励函数,利用激励函数的广义逆矩阵形式计算网络隐层与输出层的连接权值,拟合结构的功能函数.利用可靠度的一阶可靠性方法计算结构的失效 概率.通过实例计算,表明了本方法计算精度高,同时公式简单,易于编程,具有通用普遍性.     

基于RBF神经网络的控制电器元件故障诊断

针对控制电器元件故障征兆与故障类型之间的非线性映射关系,提出了基于径向基函数神经网络RBFNN(Radial Basis Function Neural Network)的控制电器元件故障诊断方法.在分析控制电器元件故障机理和失效形式的基础上,提取出描述故障类型的典型故障特征矢量.给出在获得足够多故障信息的情况下,运用RBFNN进行故障诊断的模型及整个故障诊断算法的实现过程.为了验证故障诊断模型的有效性和合理性,利用训练好的RBFNN对故障特征矢量进行识别.仿真结果表明,RBFNN能克服诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求.      

旋翼多维振动最优调整方法

针对直升机旋翼系统非线性、难以建模的特点,采用径向基函数(RBF,Ra-dial Basis Function)神经网络建立直升机旋翼动平衡调整模型.根据约束条件以直升机机身振动值作为目标函数建立适应度函数,以旋翼系统的调整参数为优化变量,进行神经网络学习和优化.利用粒子群优化(PSO,Particle Swarm Optimization)算法对适应度函数进行寻优,获得当直升机振动最小时的桨叶的调整参数.实验结果表明:PSO算法寻优效率方面高于遗传算法;RBF神经网络和PSO算法相结合可以有效地实现直升机旋翼动平衡调整.     

基于径向基函数插值的气动弹性计算方法

动网格与界面数据传递方法是气动弹性计算的主要关键技术.将径向基函数（RBF,Radial Basis Function）插值引入气动弹性计算,介绍了径向基函数的概念并给出其应用于动网格及界面数据传递的基本方法.对AGARD 445.6机翼颤振问题进行了计算流体动力学（CFD,Computational Fluid Dynamics）/计算结构动力学（CSD,Computational Structure Dynamics）耦合计算,在不同的来流速度条件下得到了振动收敛、等幅谐振及振动发散的现象,临界颤振速度及颤振频率与实验数据符合良好,验证了径向基函数插值方法用于气动弹性计算的有效性.      

基于RBF带学习能力高精度非线性FDD设计

在轨航天器故障检测与诊断问题需要面对模型的非线性,而且要求尽量提高其检测的精度,为此设计了基于径向基函数（RBF）神经网络的动量轮非线性故障检测与诊断（FDD）方案。首先应用RBF补偿建模误差,提高检测精度,并选择李雅普诺夫函数证明其收敛性;然后应用非线性观测器来产生故障残差,给出了阈值以及故障检测的时间;应用RBF网络对故障信号进行重构,并据此设计了带学习能力的FDD策略。再次建立了详细的动量轮模型,通过不同条件下的仿真研究分别验证残差的阈值特性、时间特性以及RBF的重构能力,仿真结果表明了算法的有效性。     

基于比例风险模型的环境折合系数确定方法

研究了环境因素对产品可靠性的影响,给出了一种综合利用变环境试验数据的环境折合系数确定方法.利用比例风险模型来描述可靠性与环境因素的关系,给出了环境因素对产品可靠性影响的定量度量.基于该模型给出了常用寿命分布下的环境折合系数的统计推断方法.针对复杂环境,采用广义比例风险模型用于度量不同环境因素之间对可靠性的交互作用.利用径向基函数法来拟合该模型,并对模型进行了优化.计算实例表明:该方法合理可行,便于工程应用.     

触地关机模式下的着陆器软着陆稳定性研究

以触地关机软着陆模式下的某型着陆器为研究对象,建立其软着陆过程的动力学仿真模型。基于仿真模型,结合优化方法与多岛遗传算法（MIGA）确定了着陆器的极恶劣地形工况参数,并利用径向基函数（RBF）神经网络建立了反映极恶劣工况下着陆器速度参数与稳定性指标值之间映射关系的代理模型。将着陆器速度参数做离散化处理得到样本点,利用神经网络模型计算了各样本点对应的软着陆稳定性指标值,基于计算结果给出了各项软着陆稳定性指标的云图和三维速度稳定性边界,并得到了综合各项稳定性指标的着陆器速度稳定性边界。分析结果可直观地确定保证着陆器安全着陆的速度取值范围,为着陆器速度的合理控制提供参考。      

利用变环境数据的Weibull分布可靠性综合评估

为了提高可靠性评估精度,研究了环境因素对产品可靠性的影响,提出了一种适用于Weibull分布的变环境数据可靠性综合评估方法.首先通过利用径向基函数法来度量不同环境因素及其交互作用对可靠性的影响,建立了关于环境因素的位置参数模型.并针对刻度参数依赖于环境因素的情形,利用线性模型来建立刻度参数模型.然后利用广义线性模型,给出了位置和刻度参数模型系数的极大似然估计,并给出了可靠度近似置信下限.实例表明该方法能较好地度量环境因素对可靠性的影响,而且合理可行便于工程应用.     

Retrieval of spinach crop parameters by microwave remote sensing with back propagation artificial neural networks: A comparison of different transfer functions

Back propagation artificial natural network (BPANN) is a well known and widely used machine learning methodology in the field of remote sensing. In this paper an attempt is made to retrieve the spinach crop parameters like biomass, leaf area index, average plant height and soil moisture content by using the X-band scattering coefficients with BPANN at different growth stages of this crop. The maturity age of this crop was found to be 45 days from the date of sowing. After 45 days from the date of sowing, this crop was cut at a certain height for production. Then, it is a point of interest to investigate the microwave response of variation in production. Significant variations in all the crop parameters were observed after cutting the crop and consequently made the problem more critical. Our work confirms the utility of BPANN in handling such a non-linear data set. The BPANN is essentially a network of simple processing nodes arranged into different layers as input, hidden and the output. The input layer propagates components of a particular input vector after weighting these with synaptic weights to each node in the hidden layer. At each node, these weighted input vector components are added. Each hidden layer computes output corresponding to these weighted sum through a non-linear/linear function (e.g. LOGSIG, TANSIG and PURLIN). These functions are known as transfer functions. Thus, each of the hidden layer nodes compute output values, which become inputs to the nodes of the output layer. At nodes of output layer also a weighted sum of outputs of previous layer (hidden layer) are obtained and processed through a transfer function. Thus, the output layer nodes compute the network output for the particular input vector. In this paper, output nodes use linear transfer function. Different transfer functions e.g. TANSIG, LOGSIG and PURELIN were used and the performance of the ANN was optimized by changing the number of neurons in the hidden layers. The present analysis suggests the need of critical analysis of the BPANN in terms of selection of the best transfer function and other network parameters for the better results.     

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.     

高超声速飞行器预设性能反演控制方法设计

为解决吸气式高超声速飞行器的飞行控制问题,提出了一种新型预设性能神经反演控制器设计方法。通过构造预设性能函数,保证速度跟踪误差和高度跟踪误差能够按照预设的收敛速度、超调量及稳态误差收敛至期望的区域,同时满足系统预设的瞬态性能和稳态精度。在反演控制设计结构下,引入径向基函数（RBF）神经网络对模型未知函数及不确定项进行逼近,提高了控制系统的鲁棒性。引入的RBF神经网络中仅有一个参数需要在线更新,有效提高了控制准确性,避免了通常反演控制方法中经常出现的"微分膨胀问题",并降低了计算量。通过仿真实验验证了所设计控制系统的有效性和可行性。      

Modelling of air temperature using remote sensing and artificial neural network in Turkey

The aim of this research was to forecast monthly mean air temperature based on remote sensing and artificial neural network (ANN) data by using twenty cities over Turkey. ANN contained an input layer, hidden layer and an output layer. While city, month, altitude, latitude, longitude, monthly mean land surface temperatures were chosen as inputs, and monthly mean air temperature was chosen as output for network. Levenberg–Marquardt (LM) learning algorithms and tansig, logsig and linear transfer functions were used in the network. The data of Turkish State Meteorological Service (TSMS) and Technological Research Council of Turkey–Bilten for the period from 1995 to 2004 were chosen as training when the data of 2005 year were being used as test. Result of research was evaluated according to statistical rules. The best linear correlation coefficient (R), and root mean squared error (RMSE) between the estimated and measured values for monthly mean air temperature with ANN and remote sensing method were found to be 0.991–1.254 K, respectively.