基于Gauss全局径向基函数的近岸浅水变形波高数值计算新方法

应用Gauss全局径向基函数来模拟波浪浅水变形波高变化方程中的未知函数,经实例分析探讨得到了一种可用于求解该方程数值解的新方法,并将其计算结果与常用数值分析方法得到的数值解相互对比印证,证明了基于Gauss全局径向基函数法计算结果的正确性.经验证,Gauss径向基函数法的平均计算误差相比其他方法均要小,表明该方法拥有更高的计算精度.同时,根据Gauss全局径向基函数的逼近结果,得出了浅水变形波高变化微分方程数值解的拟合函数,在实际工程中,可以利用该拟合函数来代替原方程的解析解,研究成果可为求解近岸浅水区域波浪运动提供一种新思路.

一种基于径向基函数插值的全局优化算法

通过将径向基函数插值方法嵌入到遗传算法中,得到了求解全局优化问题的一种混合算法。该混合算法是在径向基函数插值方法的基础上进行改进的,这种改进提升了黑箱函数全局优化的收敛效果,发挥了传统数值算法在计算速度与计算精度上的优势,既能简化所求解问题,也能全局搜索。

基于全局近似函数的薄壁结构耐撞性多目标优化

以圆锥形薄壁金属管为对象进行耐撞性优化研究,并对几种全局近似函数构造模型精度与适用性进行讨论。以薄壁管的多个几何参数为设计变量,以质量比吸能、长度比吸能、最大冲击载荷为目标函数,通过对比几种不同方法构造的近似模型精度,发现依据各个目标函数的非线性强弱程度不同,可以采用相对应的构造方法获得精度最高的近似模型。最后结合普适性最好的RBF法对圆椎管进行多目标的耐撞性优化,并给出设计空间中的Pareto解集与Pareto曲面,提供了多种侧重不同耐撞性指标优化的设计方案。

层次径向基神经网络的全局逼近理论

文中提出了一种层次径向基神经网络ＨＲＢＦＮ （ｈｉｅｒａｒｃｈｉｃａｌｒａｄｉａｌｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｔｗｏｒｋ），并且证明了ＨＲＢＦＮ是一个全局逼近器．ＨＲＢＦＮ更适合于具有层次结构的应用领域。

径向基函数神经网络及其在插值计算中的应用

径向基函数神经网络(RBF)是Broomhead于1988年提出的一种新型前向神经网络,与传统的插值型神经网络BP网络相比,具有计算速度快、满足全局最优化要求的优点,所以近年来开始引起人们的重视,被引入到函数的逼近插值计算中,成为除BP网络外的另一种重要的插值神经网络。根据径向基函数神经网络(RBF)的原理,总结出了径向基函数网络的可用于复杂插值计算的一种实用插值算法。经对实例计算表明,该算法是快捷可靠的。

基于径向基函数神经网络的白车身减重优化研究

针对白车身变量多、性能响应复杂问题,在车身结构的板厚优化设计中引入近似模型方法,提高设计效率。以某轿车车身结构为轻量化设计对象,通过灵敏度分析确定优化设计变量,基于径向基函数神经网络近似模型进行全局优化,在不降低刚度和模态性能的情况下实现白车身减重目标。通过最优拉丁超立方试验设计构造样本点,用径向基函数神经网络法构造刚度和模态的近似模型,并用自适应模拟退火法进行优化求解。结果表明,径向基函数神经网络模型能较好地模拟车身结构刚度和模态响应问题,提高了整体的设计效率。通过有限元模型的验证,基于近似模型的优化结果精度较高,实例白车身减重达5.73%。

基于留一准则的多尺度径向基函数网络

针对传统径向基函数(RBF)网络难以确定迭代停止条件的缺点,提出采用最小化留一误差来训练多尺度RBF网络的算法。分别使用全局k均值聚类算法和经验选择方法,构造RBF节点的中心和尺度参数备选项集合,利用正交前向选择方法逐步最小化留一误差,从而确定网络的每一项中心和尺度参数。实验结果显示,该算法能够自动终止新网络节点选择,不需要额外的迭代终止条件,与传统的RBF网络相比,能够产生稀疏性更高且泛化能力更好的径向基网络。

一种径向基函数神经网络预测在超临界温度控制系统中的应用研究

超临界温度控制系统具有较大的惯性、时滞和非线性,且动态特性随运行工况而改变,难以建立其精确的数学模型,本文采用GGAP算法的RBF神经网络构成神经网络预测控制器,将在线学习和预测控制相结合,以某超临界电厂主汽温度为研究对象,MATLAB仿真实验表明,该方法能对超临界温度控制系统实现有效的控制,动态性能较传统的PID控制有较大的提高。

径向基函数插值逼近若干问题研究

针对径向基函数插值逼近的问题,研究了径向基函数中参数c的选取策略,通过数值算例研究了参数c对径向基函数插值逼近优化效果的影响.

基于多岛遗传算法与响应面法的横向磁通感应加热装置参数优化设计

对金属带材进行横向磁通感应加热(TFIH)时,通常会存在加热温度分布不均匀以及加热温度偏离目标值两个问题。该文研究了加热器结构参数与电源参数对45号钢带材回火热处理温度的影响,并对两种参数分别进行优化,使带材在加热器出口处的平均温度达到目标值600℃,同时获得均匀的温度分布。采用Morris法对加热器结构参数进行全局灵敏度分析,选取显著影响相对不均匀度的参数并建立径向基函数(RBF)神经网络预测模型。使用多岛遗传算法(MIGA)对筛选的结构参数进行优化,初步获得均匀的温度分布。最后以降低温度分布的相对不均匀度和达到理想平均温度为目标,在优化后的加热器结构基础上使用响应面法(RSM)优化电源参数,实现多目标优化设计。仿真验证结果表明,45号钢带材在加热器出口处的平均温度为600.06℃、相对不均匀度为2.36%,满足45号钢回火热处理的要求。

径向基函数插值中的一种新的重启动策略

针对径向基函数插值方法,提出了一种新的重启动策略来改进径向基的优化效果.在采用SLHD(symmetry Latin Hypercube design,对称拉丁超立方设计)方法换新的初始点对优化效果没有太大改进的时候,提出了一种更换径向基函数的重启动策略,可以取得更好的优化效果.通过数值算例说明了采用这种新的重启动策略在迭代次数上的优越性.

径向基函数插值逼近问题的研究

针对径向基函数插值逼近的问题,当算法连续多次迭代都没有取得进展的时候,提出了一种新的重启动策略来改进径向基函数的优化效果,并通过数值算例说明了改进后的策略在迭代次数上的优越性。

一种基于径向基神经网络的车牌字符识别方法

径向基函数神经网络具有局部逼近的能力和局部可调的特性,以车牌字符识别为例,构造了一种实用型的径向基神经网络,并与传统的BP神经网络作了对比。实验结果表明,在车牌字符识别中,径向基网络的识别能力、分类能力及识别速度等均优于BP网络。

基于层次特征的自适应径向基插值图像放大的保真指标

图像作为一种重要的信息载体,在生活中不可或缺,如何最大程度地保留和获取图像中的信息自然也成了人们所关心的话题。近年来,径向基函数(RBF)插值成为解决散乱数据插值的一种新的有效方法。径向基函数的图像放大过程中,不同参数取值对图像的放大具有非常大的影响,构造适当的保真指标对图像放大质量的评判和参数取值的研究尤为关键。文中主要建立了基于图像的层次特征和分块矩阵的径向基函数插值的图像放大的保真指标,它由全局失真度和边缘失真度两部分组成,实验结果表明了保真指标定义的有效性,在此基础上研究了MQ、逆MQ,以及Gauss径向基函数参数与图像纹理放大机制的关联程度。

基于RBF神经网络的全局光照实时绘制

提出一种采用径向基函数RBF神经网络对间接光照进行拟合的方法,以实现对动态视点场景的全局光照实时绘制。使用离线渲染的方式进行预计算,获得训练数据,通过减聚类的方法确定RBF的中心,采用有监督的学习方法进行训练,拟合间接光照中的视点位置、光源位置、场景中物体表面法向量等与间接光照值之间的非线性关系,以代替传统的全局光照模型完成间接光照的计算,避免了光线的多次求交。实验结果表明,上述方法能有效减少冗余数据,以较快的速度收敛,并且很好地拟合离线渲染的结果,完成全局光照实时绘制。

一种基于增量元模型方法的全局优化算法

针对复杂仿真模型的全局优化问题,提出一种基于增量元模型方法的全局优化算法。首先,分析了现有增量拉丁超立方采样方法新增点数量难以控制以及其数值必须为原采样点数量的整数倍的缺陷,在此基础上利用减法规则思想改进了增量拉丁超立方采样;其次,将改进后的增量拉丁超立方采样与径向基函数的增量更新方法相结合,提出了一种全新的高效全局优化算法;最后,将该算法应用于压力容器的优化设计,计算结果证明了该方法的实用性与工程有效性。

三维全局弱式无网格方法计算膨胀腔消声器声学模态

应用三维全局弱式无网格方法求解膨胀腔消声器的声学模态,使用无网格径向基函数点插值法求解三维形函数,使用伽辽金加权残数法离散系统方程,最终求得三维声学模态。计算某简单膨胀腔消声器前23阶三维声学模态频率,并且与有限元计算结果对比,相对误差均在1%以内,验证了运用三维无网格方法计算声学模态的正确性。进而分析模态振型图,改进消声器结构,优化消声性能。

基于径向基函数的DIRECT全局优化方法

针对DIRECT全局优化方法估值次数多、收敛速度慢的缺点,提出一种基于径向基函数元模型的改进DIRECT算法.通过分析DIRECT算法的采样点信息,从中识别包含局部最优或全局最优点的最优区域.收集最优区域中的采样点构造径向基函数元模型,并在该元模型上搜索全局最优点,从而提高了DIRECT算法的收敛速度.最后,将该方法应用于数值计算以及压力容器的优化设计,结果证明了该方法的实用性与工程有效性.

一种改进的RBF全局优化方法

径向基函数(Radial Basis Functions)由于具有良好的近似效果和运算简单的特点,被应用于全局优化中,成为解决黑箱函数全局优化问题的有效方法。然而现有的基于RBF的全局优化算法存在迭代过程中RBF模型重构效率低下,以及采样方法不合理导致函数估值次数过多等问题。在此提出几个改进思路:采用基于矩阵分块的增量RBF方法以减少模型重构时间提高效率;采用增量LHD采样方法以确保具有更好的空间填充性;采用算法重启策略以降低估值次数。通过实验验证改进方法的优势。

基于RBF神经网络的图像特征处理

径向基函数网络(RBFN)是当前人工神经网络技术研究的热点之一,并以其优良的性能广泛应用于各个领域。针对BP神经网络容易陷入局部最优的缺陷,文章提出用RBF神经网络进行图像特征提取,并给出了RBF神经网络构建过程及选Gauss函数为径向基函数的优势,最后设计并完成实验。模拟实验结果表明了训练好的RBF网络对边缘特征提取的有效性,也证实了选择良好的高斯函数宽度,可以得到较优的网络。