基于RBF-BP算法的Ni-SiC镀层性能预测研究

采用磁场辅助喷射电沉积技术,在不同工艺条件下制备Ni-SiC复合镀层,通过构建4×4×4×7×10×1的RBF-BP复合神经网络模型预测Ni-SiC复合镀层耐蚀性。结果表明:RBF-BP复合神经网络的预测值与真实值拟合度为0.974 97,高于单神经网络,表明复合神经网络能准确预测不同工艺参数下制备的Ni-SiC复合镀层耐蚀性。经复合神经网络预测,当电流密度为4 A/dm^(2)、喷射速度为6 m/s、SiC粒子浓度为8 g/L、磁场强度为0.8 T时复合镀层腐蚀失重最低,复合镀层的耐蚀性最好。通过镀层表征研究分析可知,该条件下镀层晶粒显著细化,镀层表面较平滑,SiC纳米粒子复合量高且分布均匀。

基于RBF-BP算法的工业机械臂轨迹控制与跟踪

针对现有机械臂轨迹控制补偿算法偏差大、效率低的不足,提出一种基于RBF-BP的机械臂行进轨迹控制与跟踪算法研究。从机械臂各轴向的空间移动、角度旋转等6个自由度出发建模,描述机械臂末端的位置移动和姿态变化,并计算向量的移动距离和偏转角度;面对机械臂系统误差和摩擦扰动导致的轨迹偏差问题,利用RBF-BP算法局部逼近最优控制轨迹,并基于高斯基函数的向量值获取最优的权值和轨迹输出值。仿真结果表明:在提出算法控制下的行进轨迹接近于理论轨迹,3个轴向的坐标误差趋近于零。

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。

基于RBF-BP算法的机械臂多自由度分拣控制系统设计

为提升机械臂设备的准确分拣能力,设计基于RBF-BP算法的机械臂多自由度分拣控制系统;利用RBF-BP前馈神经网络,规划机械臂设备的运动轨迹路线,实现基于RBF-BP算法的机械臂运动轨迹建模;确定工业相机在总功能框架中所处连接位置,根据机械臂选型情况,确定可编程逻辑控制器、变频控制器对于所选机械臂元件的调节能力,完成对系统功能模块的开发;借助传输信道,将Sorting分拣指令、ToolControl控制指令反馈回核心控制主机,建立完整的指令执行回路,再联合相关硬件设备结构,实现基于RBF-BP算法的机械臂多自由度分拣控制系统设计;实验结果表明,在抓取能力相同的情况下,应用RBF-BP算法控制系统机械臂成功分拣的工件数量为19件,机械臂抓取成功率为95%,说明所设计系统满足提升机械臂准确分拣能力的设计初衷。

基于RBF-BP组合神经网络模型的特高拱坝混凝土浇筑仓最高温度预测

鉴于混凝土浇筑仓最高温度对特高拱坝温控防裂的重要性,为了实现对混凝土大坝最高温度的有效控制,将BP神经网络、RBF神经网络相结合,选取浇筑温度、施工现场环境气温、浇筑仓层厚、水管布置、通水的水温和流量作为输入矢量,浇筑仓最高温度作为输出矢量,建立一种基于RBF-BP组合神经网络的浇筑仓最高温度预测模型,并将其应用于溪洛渡特高双曲拱坝中。结果表明,基于RBF-BP组合神经网络预测模型可行、有效,且精度较高、收敛速度快。

基于RBF-BP神经网络的双轮平衡车姿态控制系统

针对非线性强耦合特性的双轮平衡车系统存在自平衡姿态控制反应慢、精度低等问题,提出了以双隐层组合神经网络(Radical basis function-BP,RBF-BP)为基础的模型参考自适应控制(Model reference adaptive control,MRAC)系统。为了获得最优的控制精度,使用自适应遗传算法对RBF-BP双隐层组合神经网络的初始权值进行优化,并利用Matlab软件对该控制系统进行仿真。仿真结果表明,与单一的BP和RBF神经网络控制策略相比,MRAC系统具有反应迅速、抗干扰能力强和控制精度高等特点。

基于RBF-BP组合神经网络的钢丝绳断丝定量识别

为了有效地解决目前钢丝绳断丝定量识别的问题,改善定量识别中泛化性能,减小非标准样本的错误指导影响,提出了RBF-BP组合神经网络模型。以峰值、波宽、小波能量和波形下面积作为输入,建立4输入1输出的网络模型,通过MATLAB仿真和具体的实验对模型进行可靠性分析。结果表明:断丝定量识别正确率达95%,表明了RBF-BP组合神经网络模型的正确性,说明RBF-BP组合神经网络模型对钢丝绳断丝数据训练并达到识别结果是可以实现的,对钢丝绳故障诊断提供理论依据。

基于遗传优化的RBF-BP神经网络电液伺服阀故障诊断算法研究

电液伺服阀是液压伺服系统的核心元件,因此是故障诊断的重点对象,其故障原因经常呈现出非线性和不确定性等复杂状态.单一的BP网络是全局逼近神经网络,学习速度很慢,容易陷入局部极小,易产生震荡等不足,RBF网络是局部逼近神经网络,训练速度快,在训练时不会发生震荡,也不会陷入局部极小.基于它们各自的优缺点,通过将RBF神经网络和BP神经网络有效地结合在一起,取长补短,建立一个由RBF子网和一个BP子网两部分串联构成的双隐藏层RBFBP组合神经网络.该网络既具有BP网络较好的泛化性能,又具备RBF网络较快的逼近速度.用遗传算法优化该神经网络的初始权值和阈值.该网络同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测.

基于改进RBF-BP神经网络的预测方法研究

针对钢铁企业在库存管理方面存在着不能合理控制库存量,从而不能及时正常供应企业生产需求,容易造成企业生产不能正常进行。提出了一种基于改进的麻雀算法优化RBF-BP神经网络(LISSA-RBF-BP)的模型,以宝钢德盛厂物料金钨粉为研究对象,采用此模型对其库存量进行预测,以降低库存成本,减少企业损失。此模型采用鸟群算法优化传统麻雀搜索算法(SSA),提高算法的全局搜索能力,解决了麻雀算法易得到局部最优解问题。采用Logtistic混沌映射优化SSA初始种群,保持种群多样性并能提高算法搜索遍历的均匀性。通过仿真实验结果分析,LISSA-RBF-BP模型比RBF-BP模型和SSA-RBF-BP模型能更加准确的对金钨粉库存量进行预测。

基于RBF-BP组合神经网络的短期风电功率预测研究

为提高风电输出功率预测精度,提出一种基于RBF-BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上,对风速进行预处理。根据相关历史数据,建立RBF-BP组合神经网络短期风电功率预测模型,对风电输出功率进行预测。仿真分析结果表明,该预测方法能有效提高风电输出功率预测精度。

基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF-BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF-BP复合神经网络模型的平均均方误差与平均绝对误差分别下降28.21%、15.19%和12.51%、12.55%,表明RBF-BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。

基于RBF-BP神经网络的图像修补

作为一种广义的图像恢复,图像修补是利用受损区域周围的图像数据修复、填充受损区域图像数据的技术。本文介绍基于RBF-BP神经网络开发的图像自动修补系统,应用以Matlab为平台开发的仿真模块对图像受损区域的修补进行仿真。基于RBF-BP神经网络的修补技术弥补了RBF和BP网络修补的缺点,集两者的优点为一体,为图像修补技术的研究提供了一种更方便、有效的方法。

基于RBF-BP组合神经网络的地震预测研究

针对地震预测中预测因子高度非线性、训练样本数量有限及分布不均匀的问题,提出采用RBF-BP组合人工神经网络对地震预测因子样本进行建模和预测,并用RBF神经网络初步训练预测因子样本,将训练结果输入BP神经网络,根据期望输出值加强训练。实例分析表明,该预测方法可行并能有效提高地震预测精度。

基于LSTM和RBF-BP深度学习模型的火灾预测方法

针对火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率的问题,提出一种基于LSTM(Long Short Time Memory,长短时记忆网络)和RBF-BP(Radial Basis Function and Back Propagation,径向基反向传播网络)深度学习模型的多源信息融合火灾预测方法。首先,在信息层通过多种传感器采集火灾发生时的特征信息,并通过速率检测算法对特征信息进行预处理。然后在特征层利用深度学习中的LSTM和RBF-BP神经网络对火灾多种特征信号进行自适应学习,输出有火、无火以及阴燃火三种火型的发生概率。最后采用模糊逻辑控制系统决策输出有无火灾发生。仿真实验结果表明,所提出的火灾预测方法与传统的和单神经网络方法相比具有更高的预测精度和自适应性。

基于RBF-BP神经网络的煤炭企业物资分类算法

针对现有煤炭企业在物资管理中存在分类粗放、评价标准主观、计算规模大等问题,为提高煤炭企业中物资分类的效率,提出一种基于RBF-BP神经网络的煤炭企业物资分类算法。根据煤炭物资相关数据,建立算法预测模型,对煤炭物资分类进行预测。实验结果表明,RBF-BP神经网络算法较BP神经网络算法可提高煤炭企业物资分类的准确率,为煤炭企业物资的分类提供了较准确、可靠的方法。

基于RBF-BP神经网络的管道腐蚀类型预测

基于BP神经网络收敛速度慢和容易陷入局部极小点的不足，提出了RBF-BP组合神经网络的新预测方法，以优化网络权值和阀值的计算，同时确定了相应的计算方法。将RBF-BP神经网络应用到管道腐蚀类型的预测中，既有BP网络较好的泛化能力，又具备RBF网络较快的逼近速度。计算表明，给予该组合网络更少的迭代次数和时间，输出结果精度更高，RBF-BP神经网络在预测管道腐蚀类型中有很好的实用价值。

基于RBF-BP协作神经网络的公交行程时间预测

为利于公交乘客合理化制定日常出行计划,缩减未知的候车时长,进而提升公交出行吸引力.针对公交行程时间动静态影响因素展开综合性分析,以平潭综合实验区3路公交部分路线为例,构建基于RBF-BP协作神经网络的公交行程时间预测模型,应用MATLAB语言编程进行预测,结果显示在同一状态的公交运行情况下,尤其在样本数据较少时,RBF-BP协作神经网络预测精度更优于BP神经网络、RBF神经网络,具有一定的实际应用价值.

RBF-BP网络在火电厂氮氧化物浓度检测的应用

在分析影响火电厂氮氧化物浓度检测精度的多种原因基础上,提出建立RBF-BP神经网络模型进行改进的方法,并详细说明了样本数据、神经网络构成、训练函数、回归因子、动量因子等关键技术。以2015年实际火电厂检测数据为依据,对建立的RBF-BP神经网络进行了仿真实验,并与单一RBF仿真实验进行对比分析,实验表明平均相对误差为0.3%～1%,证明了该方法的有效性。

基于RBF-BP神经网络的人居环境自然适宜性评价

为了有效解决人居环境自然适宜性评价中,评价指标权重难以科学确定、评价结果精度低等问题。以东莞市为例,构建了地形、气候、水文和植被等4要素11个指标的人居环境自然适宜性评价体系;综合利用BP算法良好的泛化性能和RBF算法学习收敛速度快,以及克服局部极小值问题等优点,建立RBF-BP神经网络模型,用以求出评价单元各因子间的相关性,将训练结果进一步分析和处理求出评价指标的权重;最后将权重应用于人居环境指数(HEI)评价模型,完成了东莞市人居环境适宜性评价,并将适宜性划分了六个等级。结果表明,评价结果与其实际人居状况大致吻合;同时也说明了此模型收率速度高、学习速度快、拟合精度较高和泛化能力更强,能较准确、科学地评价人居环境自然适宜性。

基于遗传算法的RBF-BP组合神经网络模型优化

典型 BP 神经网络容易陷入局部极小值、不能确保是否能收敛到全局极小值、收敛速度慢等问题,RBF-BP 组合神经网络能够较好地解决以上问题并应用于各类故障诊断。文章提出了将遗传算法和 RBF-BP 组合神经网络相结合的网络模型,该模型利用遗传算法对传统组合神经网络进行优化,即对组合神经网络的网络权值和阈值的初始化进行优化,寻找最优网络权值和阈值,从而提高故障诊断的实时性和准确性,在故障诊断领域具有实际应用价值。