基于稳健估计的正则化RBF网络拟合模型优化

GNSS高程和水准测量的正常高程转换是现代化测绘基准体系基准建设中的重点项目。RBF网络拟合模型中径向基函数中心值设置过程的随机性往往导致其拟合结果不太理想。文中在研究正则化RBF神经网络拟合模型的基础上,将选权迭代的稳健估计应用于网络隐层中心值的确定方法中,构建了一种中心优化的正则化RBF神经网络高程拟合模型。通过对某县区小范围内的工程数据进行拟合测试,结果表明经抗差优化的RBF拟合模型具有一定的优越性,其外符合精度可达厘米级,可以满足一般工程应用所需的精度。

基于人工神经网络的太阳能电池片表面质量检测系统

针对依赖人工进行太阳能电池片表面质量检测时效率和精度低的问题,文章提出了基于机器视觉以及人工神经网络的太阳能电池片表面质量检测方法。将表面缺陷分为外形缺陷、颜色缺陷、裂纹以及丝印线路缺陷4类,基于模板匹配检测外形缺陷,基于HIS空间下的颜色直方图检测颜色缺陷;针对细微性缺陷容易受噪声影响的特点,利用2类人工神经网络进行断栅检测,并对这2类神经网络进行比较。大量实验结果验证了上述方法能够准确、快速地检测出太阳能电池片表面缺陷。

正则化径向基函数神经网络在堆芯轴向功率分布重构中的应用

将正则化径向基函数(RBF)神经网络应用于堆芯轴向功率分布重构,通过6节堆外中子探测器的读数值重构堆芯轴向功率分布。使用ACP-100模块式小堆的7740套功率分布以及对应的模拟堆外探测器读数,对RBF神经网络重构方法进行了验证,结果表明:正则化RBF神经网络重构方法可以精确地重构出堆芯轴向功率分布,并且具有良好的鲁棒性,可以克服功率分布重构问题所固有的不适定性。

基于肌肉生理信号的操纵舒适性评价

从操纵者人机交互过程中肌肉生理信号角度出发,针对目前操纵舒适性评价方法的不足,提出一种基于肌肉生理信号特征参数,运用正则化RBF网络,对人机交互操纵舒适性进行评价的方法。以典型人机交互过程驾驶操作系统为例,进行实验与数据统计,通过正则化RBF网络对实验测得的操纵者肌肉生理信号特征参数和主观舒适度评分构成的样本进行学习和训练,建立操纵舒适性评价模型。实验结果验证了该方法的可行性和合理性。