摘要：针对盾构机掘进施工环境复杂且恶劣,造成其实际掘进轨迹与设计轨迹之间偏差较大的问题,基于rbf神经网络的盾构机掘进轨迹控制技术,构建盾构机姿态动力学与运动学模型,利用rbf神经网络结构和神经网络学习算法得到盾构机的姿态控制预测值,再根据该预测值实时调整盾构机的盾构姿态,使其能够按照预设轨迹掘进,最终实现对盾构机掘进轨迹的实时控制。应用实验结果证明,本文设计的基于rbf神经网络的盾构机掘进轨迹控制技术是可行且可靠的,在实际应用中可以得到良好的盾构轨迹控制效果。

摘要：本文以某型柴油机为研究对象,使用MATLAB/Simulink建立了该柴油机的平均值模型,针对该柴油机的主机控制部分,设计了指数趋近率法滑模变结构控制以及基于径向基函数(rbf)神经网络的滑模控制器,并且使用所搭建的柴油机平均值模型对两种控制算法进行对比。结果表明基于rbf径向基神经网络滑模控制器相对于传统的滑模控制器拥有更好的可靠性、更快的响应速度、更好的控制性能。

摘要：针对永磁同步电机在传统单电流调节器弱磁控制下,电机控制模式切换时导致的系统稳定性差,以及传统rbf-PID控制器输出权值的非精细化更新导致的参数过拟合,收敛速度慢等问题,提出一种过渡区域切换算法,引入混合权重因子,采用余弦插值与Sigmoid函数做过渡区域的平滑处理,并在弱磁区引入模糊PI控制器,将自适应梯度下降法与L2正则化策略结合,改进神经网络的输出权值。仿真结果表明,设计的过渡区域切换算法,不依赖电机参数,可移植性强,优化了恒转矩区切换至弱磁区的条件,在改进rbf-PID控制器下,转速超调量仅为0.07%,负载调节时间较之传统策略减少了94%。

摘要：为了提高径向基函数(rbf)神经网络模型的预测精度,在其基础上提出了一种自适应rbf神经网络模型。该预测模型在rbf神经网络模型表达式中引入自适应向量(向量维数与样本点自变量维数相同),采用优化搜索方式确定自适应向量值,从而提高模型预测的准确度和普适性。与其他rbf神经网络模型的改进相比,本文直接从改变基函数的形式入手,使用较少的参数优化达到对网络模型的自适应构造;该方法本质上改变了基函数网络中心与宽度对网络模型预测的作用以及样本点自变量向量的各个维对因变量的影响度,其对目标问题具有自适应性。将本文的自适应rbf神经网络模型应用在基于机身+机翼+翼梢小翼模型的翼梢小翼优化设计中,在约束弯矩的情况下进行巡航减阻优化设计,设计结果验证了该预测模型的可行性,表明其具有一定的工程实用价值。

摘要：针对超空泡航行体姿轨控制普遍存在的模型不确定性问题进行相关研究.为此,首先对其动力学特性进行分析,并建立了超空泡航行体的动力学名义模型,随后将其改写为不确定反馈系统,然后利用反演控制方法设计超空泡航行体姿轨控制器,针对模型中的未知函数利用径向基函数(Radial basis function, rbf)神经网络进行逼近并补偿,由基于Lyapunov稳定理论设计的自适应方法计算神经网络的权重,并给出稳定性证明.仿真研究验证了控制器设计的有效性.

摘要：提出一种集成粗糙集理论的rbf网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造rbf网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的rbf网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.

摘要：对径向基函数(rbf)神经网络的分类能力进行了分析,在塔式起重机安全状态模糊综合评判的基础上,构建了反映塔机状态参数与整机安全状态类别间映射关系的径向基函数网络,利用均匀设计给出训练样本对,并进行了实例计算,结果表明该方法可行有效。

摘要：针对BTT导弹飞行控制系统的自适应鲁棒控制问题,基于反馈线性化控制和自适应rbf(radical base function)神经网络控制系统设计方法,设计了高精度鲁棒飞行控制器。提出在线权值修正算法,使rbf神经网络能实现对飞行控制系统动态逆误差的在线逼近,进而实现对系统不确定性和外界扰动的实时补偿。通过数值仿真,对所设计的飞行控制器进行了有效性验证。仿真结果表明,相比仅采用反馈线性化控制的飞行控制器,文中提出的飞行控制器能较好地跟踪期望的指令角度信息,鲁棒性能更优。

摘要：普通舰船图像滤波融合模型,不能兼顾滤波精度计算性与滤波容错性。为解决此问题,设计基于rbf神经网络的舰船图像滤波融合仿真模型。通过网络结构设计与网络学习方法设计,完成rbf神经网络的搭建;改进原有仿真模型算法、舰船图像多滤波融合形式,完成仿真模型的搭建。模拟应用环境设计对比实验结果表明,基于rbf神经网络的舰船图像滤波融合仿真模型,既提升滤波精度计算性与滤波容错性,也做到2种性能的兼顾。

摘要：针对非线性不确定性系统,提出一种鲁棒滑模观测器。所提出的鲁棒滑模观测器通过滑模与相应的控制策略来实现。设计参数的选取不需要求解大量方程,同时能保证对系统的非线性不确定性具有鲁棒性,系统中不确定性的上界值采用rbf神经网络进行自适应学习。通过设计滑模,可以调整观测器跟踪系统状态的收敛速度,使状态估计达到预期的指标。仿真结果验证了提出方法的有效性。