基于合作博弈法的RBF神经网络矿井通风系统风险监测预警模型

在煤矿生产过程中,矿井通风系统对矿井安全生产起着重要作用,为了确保矿井通风系统的安全、做到实时监测,需要对矿井通风系统风险监测辨识预估等。传统的BP神经网络评价方法准确率低,提出了基于合作博弈法的BPF风险预警模型。首先建立矿井通风系统安全风险指标体系,然后采用合作博弈理论计算各指标权重,并对其进行重要性排序,最后利用RBF神经网络进行安全风险评价预测。以保德煤矿矿井通风系统为例,对矿井通风实时模拟、动态预警分析。仿真实验结果表明,该方法具有一定的精度及有效性,研究为实时掌握矿井通风安全状况提供了技术手段。

基于RBF神经网络的复杂场景人群目标的识别

大型公共建筑内人群数目及分布的在线监测是有效控制和疏散客流、保障人员安全的重要依据之一.利用公共建筑内现有的闭路电视监视系统,通过计算机视觉技术实现人群数目的自动识别是目前国外普遍采用的一种方式.文中提出了一种基于RBF神经网络的复杂场景人群目标的识别算法,利用包含行人数目信息的前景图像的投影曲线等特征数据,通过训练好的RBF神经网络直接得到该前景图像中包含的人群数目.与其他算法相比,该算法具有较高的识别准确率,在一定误差范围内可以达到较好的效果.

基于RBF神经网络的气体流量软测量模型研究

流量信号是热工过程中非常重要的一个信号。由于流量信号存在着非线性、随机性和易受干扰的特点,很难建立起一个准确的测量模型,如传统的3种圆管紊流流速分布的近似模型,基于这些模型的传统测量方法很难测量出准确的流量值。该文提出的基于径向基函数(RBF)神经网络的流量测量模型,采用了带有遗忘因子的梯度下降算法来确定隐层基函数中心的位置和输出层权值的大小。计算结果表明这种模型计算量小、精度高,且算法简单实用。实验结果说明,基于这种模型的流量测量精度较以往模型有很大提高。

动态RBF神经网络在浮选过程模型失配中的应用

铝土矿泡沫浮选过程中,因矿浆的快速沉淀等原因工艺参数在线检测困难,且入矿性质变化频繁,造成浮选过程参数随入矿的变化而不断改变。而通常建立的静态软测量模型利用固定样本集训练得到,当矿源变化时容易发生模型失配现象,使模型不能跟踪当前对象。针对变矿源下的模型失配问题,本文提出基于隐层节点动态分配和模型参数动态修正策略的RBF神经网络建模方法,用于铝土矿浮选过程酸碱度的在线检测建模。实际生产数据仿真结果表明该方法能够有效解决模型失配的问题。

基于AHP-RBF神经网络的居民健康信息素养评价模型研究

基于文献调查和专家评价方法建立健康信息素养评价体系,应用层次分析法确定指标权重,采用径向基神经网络作为评价工具,提出一套居民健康信息素养评价模型。实验结果表明基于AHP-RBF神经网络的评价模型能够较好地拟合领域专家的评价思维,对居民健康信息素养水平的评价更加真实有效。

AHP-RBF神经网络在煤矿安全风险评价中的应用

煤矿生产的复杂性导致煤矿事故具有动态、随机、模糊的特性,而且影响煤矿安全风险等级的指标众多,风险等级与风险指标之间呈现出复杂的非线性关系。传统的BP神经网络评价方法的准确率低,本文提出一套新的煤矿安全风险评价方法。首先建立煤矿安全风险指标体系,然后利用AHP确定各风险指标权重,并对其进行重要性排序,最后将RBF神经网络作为评价工具,建立基于AHP-RBF神经网络的煤矿安全风险评价模型。通过案例分析表明该模型能够科学有效的对煤矿安全状况进行评价。

RBF递归神经网络在供热解耦控制中的应用

针对供热过程耦合特性和节能控制的需要,提出了一种基于径向基函数(RBF)递归神经网络的供热解耦控制方法。通过典型信号响应与最小二乘结合的方法得到供热耦合系统模型,利用RBF递归神经网络进行解耦控制,消除了质调节、量调节通道间的非线性强耦合作用。仿真结果证明该方法具有良好的解耦控制特性,满足供热系统多回路控制的要求。

基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.

基于RBF网络的焊缝缺陷图像的识别与诊断技术研究

本文主要研究了采用中值滤波、LOG算子的边缘检测以及DSA减影等数字图像处理技术对现有的焊缝缺陷图像进行处理,获得带有各种焊缝缺陷特征的大量图像样本,并用RBF神经网络对样本进行训练,最终获得具有较高识别精度的RBF网络。利用该网络可以大大提高对焊缝缺陷的判断效率,具有一定实用意义。

一种基于RBF神经网络的语音去噪方法

对语音去噪方法进行研究,采用RBF(radial basis function)神经网络在频域上对有噪语音信号进行去噪处理。比较了RBF神经网络对语音信号在时域和频域处理的不同效果,并用MATLAB进行了仿真。仿真结果表明,所采用的RBF神经网络算法在频域上对有噪语音信号进行去噪处理,效果优于时域处理结果,而且对背景噪声具有良好的抑制效果。

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性。

基于变结构过程RBF网络的发动机故障识别

针对过程径向基(radial basis function,RBF)神经网络结构的优化问题,提出一种可以动态调整隐层结构的优化算法。根据隐层过程神经元的活跃度情况对其进行增删操作,有效解决了过程RBF神经网络结构的设计优化问题。利用梯度下降法对隐层连接权值进行修正,提高网络的逼近精度,对网络的收敛性进行理论证明。对发动机进气控制系统若干故障的识别实验结果表明,该方法具有高效的结构调整能力,使得网络总体具有良好的逼近效率和泛化能力,有效提高了过程RBF神经网络对发动机进气系统故障的识别能力。

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求 ,提出模糊径向基 (RBF)神经网络结构的简化模型及相应算法 ,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析 ,提出一种系统动态增益的处理方法和基于过程最优的改进方案 .仿真实验结果表明该控制器可实现实时自适应控制 ,改进算法是有效的 .

基于PCA-RBF神经网络的浮选过程软测量建模

以浮选过程为研究对象,提出基于主元分析与RBF神经网络相结合的经济技术指标软测量模型,该模型依据工艺机理和经验知识对过程变量进行初选,采用主元分析方法对高维输入向量进行降维化简和辅助变量选择;采用新型混合递推算法对RBF神经网络参数进行优化。该算法包括修正网络中心的自适应聚类的简化型次胜者受罚竞争学习算法和修正网络权值的带遗忘因子的递推最小二乘算法。混合学习算法提高了网络参数辨识的收敛速度。仿真结果表明,软测量模型能很好地实现浮选过程经济技术指标的全局预测。

基于CAE与RBF神经网络的固定体塑件注塑工艺优化

针对保险杠固定体塑件注塑成型困难的问题,运用CAE仿真分析手段,首先对其采用3个点浇口进行浇注的方案模拟,得出了影响塑件注塑成型困难的主要问题:塑件中间部位设置的加强筋位置处,料流流动发生多次改变和多重叠加,导致注塑时熔体在此区域产生紊流和回旋滞留。将浇注系统优化为采用5个点浇口浇注方案,能有效消除中间部位所产生的紊流和回旋滞留问题。结合CAE仿真手段和RBF神经网络的预测功能,对5点浇注方案进行注塑成型工艺参数的优化。获得塑件注塑较合理的工艺参数组合为:料温(Tθ)=229℃,模温(Ts)=51℃,注塑压力(pI)=43 MPa,注塑时间(ti)=6. 64 s,第一段保压压力(ph1)=62 MPa,第一段保压时间(th1)=9 s,第二段保压压力(ph2)=38 MPa,第二段保压时间(th2)=5. 5 s,第三段保压压力(ph3)=32 MPa,第三段保压时间(th3)=4. 5 s,冷却水进口温度(Tw)=27℃,冷却液流速(Vw)=3. 2 L/min,冷却时间(tc)=18 s。经实际注塑试验,塑件的注塑效果良好,有效地解决了实际生产问题。

基于RBFNN的烧结矿FeO含量预报系统研究

针对烧结矿FeO含量存在的非线性、随机性和不确定性的特点,提出了基于RBF神经网络的FeO含量测量模型,将烧结断尾图像特征和主要操作工艺参数等多种数据进行融合,对FeO含量进行在线预报,并开发了"烧结矿FeO含量在线智能检测系统"。应用表明该模型计算量小、精度高,算法实用简单,达到了理想效果。

基于RBF神经网络的空域图像水印改进算法

文章提出了一种利用径向基函数(RBF)神经网络实现的数字图像水印的改进新算法,从理论上对新算法进行了分析,通过仿真实验进行了验证。仿真结果表明,新算法与传统基于RBF神经网络图像水印算法相比,在保证速度不减慢的基础上其抗攻击能力有了显著的改善。该算法的创新之处在于将多级神经网络的思想引入数字图像水印算法中,利用几个性能不同的网络实现一种系统的功能。

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。

基于RBF神经网络的机械加工误差质量模型

针对机械加工过程中产生误差的复杂性,用传统的数学建模方法难以实现加工误差和工艺参数、系统刚度和加工过程变量之间的关系模型.采用RBF神经网络建立加工误差的质量模型,并通过实验仿真,取得了较好的仿真效果.证明了RBF网络模型具有很强的逼近能力,可用于各种质量建模,达到减少加工误差、指导生产的目的.

基于互相关函数相角特征的RBF神经网络来波方位估计

有效的方位特征获取对构建智能来波方位估计模型具有十分重要的意义。该文在分析阵列接收信号相关函数的基础上,首次提出利用相邻阵元信号互相关函数的相角作为来波方位特征。与常用的协方差矩阵上三角特征相比,剔除了与来波方位无关的幅度信息和冗余的方位特征信息,在不损失有效方位信息的基础上使特征维数得到极大地降低。实验结果表明,利用相角特征构建的RBF神经网络的结构更简洁,泛化性能更好,来波方位估计精度高,实时性好,具有广阔的工程应用价值。