光譜；RBF神經(jīng)網(wǎng)絡(luò)；遺傳算法；濃度檢測(cè)1 概述混合氣體組分濃度檢測(cè)一直是研究熱點(diǎn)，它在各大領(lǐng)域都發(fā)揮著重要作用，如機(jī)動(dòng)車尾氣排放、工業(yè)廢氣污染排放檢測(cè)等。隨著我國(guó)經(jīng)濟(jì)的快速增長(zhǎng)，人們?cè)趯?duì)生活品質(zhì)關(guān)注的同時(shí)也對(duì)生存環(huán)境提出了更高的要求，因工業(yè)廢氣、汽車尾氣等有毒氣體的排放造成了嚴(yán)重的環(huán)境污染。尤其是在垃圾焚燒行業(yè)，尾氣中含大量CO2、H2O等氣體，煙氣濕度高達(dá)70%，且監(jiān)測(cè)的氣體組分復(fù)雜，以往投入火電廠[1]使用的常溫儀表在使用過(guò)程中由于尾氣的特性極易造成

，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練用灰色模型預(yù)報(bào)所獲得的殘差序列，然后將GM（1，1） 模型的鐘差后續(xù)預(yù)報(bào)值與RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)報(bào)值對(duì)應(yīng)相加可得組合模型的預(yù)報(bào)結(jié)果。為驗(yàn)證組合模型的有效性和可行性將組合模型預(yù)報(bào)結(jié)果與GM（1，1）模型、ARIMA模型、RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)結(jié)果進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，組合模型預(yù)報(bào)精度要高于其他單一模型，其在不同時(shí)段的平均預(yù)報(bào)精度可提高46.4%～86.2%。關(guān)鍵詞：BDS衛(wèi)星鐘差? 灰色模型? RBF神經(jīng)網(wǎng)絡(luò)? 組合模型? 鐘

法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的汽車熱舒適性預(yù)測(cè)模型（改進(jìn)CS-RBFNN）。采用自適應(yīng)步長(zhǎng)和高斯擾動(dòng)因子對(duì)CS算法進(jìn)行改進(jìn)，并用其對(duì)RBF神經(jīng)網(wǎng)絡(luò)的中心點(diǎn)c和寬度參數(shù)b進(jìn)行優(yōu)化。將改進(jìn)CS-RBFNN與CS-RBFNN和PSO-RBFNN模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，結(jié)果表明：改進(jìn)CS-RBFNN模型的均方根誤差（root mean square error，RMSE）值分別降低了9.2%和35.5%，具有更高的預(yù)測(cè)精度。當(dāng)RBFNN隱含層神經(jīng)元個(gè)數(shù)增加時(shí)，預(yù)測(cè)精度有所

了基于RBF神經(jīng)網(wǎng)絡(luò)的通信網(wǎng)絡(luò)安全態(tài)勢(shì)感知方法，將Suricata、Shellcodes等多種探測(cè)器應(yīng)用到通信網(wǎng)絡(luò)中，用于探測(cè)網(wǎng)絡(luò)流量數(shù)據(jù)，并提取數(shù)據(jù)特征；基于RBF神經(jīng)網(wǎng)絡(luò)計(jì)算網(wǎng)絡(luò)攻擊發(fā)生概率，根據(jù)計(jì)算結(jié)果，評(píng)估和感知通信網(wǎng)絡(luò)的安全態(tài)勢(shì)。通過(guò)對(duì)比實(shí)驗(yàn)證明，新的感知方法與現(xiàn)有方法相比感知準(zhǔn)確率更高，且對(duì)通信網(wǎng)絡(luò)中的影響因素具有極強(qiáng)的抗干擾能力，可以保證感知結(jié)果的精度。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)安全態(tài)勢(shì)；感知方法；通信網(wǎng)絡(luò)引言隨著無(wú)線通信技術(shù)的快速發(fā)展，網(wǎng)

，利用RBF神經(jīng)網(wǎng)絡(luò)的任意逼近連續(xù)函數(shù)特性、滑模控制的魯棒性和自適應(yīng)控制在線調(diào)整控制率設(shè)計(jì)控制器，并構(gòu)造Lyapunov函數(shù)，證明控制器的穩(wěn)定性，實(shí)現(xiàn)了對(duì)介電聚合物軌跡跟蹤控制，結(jié)果顯示聚合物的位置跟蹤極值誤差小于1%，響應(yīng)時(shí)間約為0.7 s，表明系統(tǒng)具有較高的動(dòng)態(tài)性能，實(shí)現(xiàn)了結(jié)構(gòu)的線性運(yùn)動(dòng)軌跡跟蹤。同時(shí)，分析了激勵(lì)頻率和寬度預(yù)拉伸比對(duì)結(jié)構(gòu)跟蹤軌跡的影響規(guī)律，設(shè)計(jì)了系數(shù)參數(shù)的優(yōu)化方法。研究結(jié)果表明，該控制器提高了軌跡跟蹤的精確度，驗(yàn)證了所提控制系統(tǒng)具有較強(qiáng)

分析—RBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行優(yōu)化，最終形成包括22個(gè)指標(biāo)在內(nèi)的北京市生態(tài)文明建設(shè)水平測(cè)度指標(biāo)體系，旨對(duì)北京市生態(tài)文明建設(shè)指標(biāo)體系研究做出貢獻(xiàn)。關(guān)鍵詞：生態(tài)文明建設(shè)；RBF神經(jīng)網(wǎng)絡(luò)；測(cè)度指標(biāo)構(gòu)建；北京一、前言改革開(kāi)放以來(lái)，我國(guó)國(guó)民經(jīng)濟(jì)總量和增長(zhǎng)速度都取得了極大的進(jìn)步，但生態(tài)問(wèn)題也隨之而來(lái)。黨的十八大報(bào)告中，將生態(tài)文明納入到了 “五位一體”總布局中，十九大報(bào)告中，更是闡述了“綠水青山就是金山銀山”的理念，強(qiáng)調(diào)了生態(tài)文明建設(shè)的重要性。北京作為首都城市，應(yīng)積極推進(jìn)生

鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；振動(dòng)監(jiān)測(cè)；卷接機(jī)1 引言卷接機(jī)是卷煙生產(chǎn)過(guò)程中的一個(gè)重要設(shè)備，其功能是將煙絲卷制成煙支。隨著卷接設(shè)備的高速發(fā)展，卷接設(shè)備的結(jié)構(gòu)日趨復(fù)雜、精密，為了實(shí)現(xiàn)高效生產(chǎn)，提高卷煙速度，僅憑技術(shù)和經(jīng)驗(yàn)，效果畢竟有限，難以推動(dòng)生產(chǎn)效率真正躍上新臺(tái)階。主要原因在于，機(jī)械損耗和意外故障等難以預(yù)料的因素導(dǎo)致卷接機(jī)無(wú)法正常運(yùn)轉(zhuǎn)而引起的緊急關(guān)停，嚴(yán)重影響了卷接機(jī)的運(yùn)轉(zhuǎn)率。為了進(jìn)一步減少卷接機(jī)故障停機(jī)時(shí)間，提高設(shè)備有效作業(yè)率，本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的

CA-RBF神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈健康狀態(tài)預(yù)測(cè)方法。首先，通過(guò)導(dǎo)彈壽命剖面分析導(dǎo)彈健康狀態(tài)影響因素，并給出量化方法；然后，運(yùn)用對(duì)應(yīng)分析（Correspondence Analysis，? CA）方法進(jìn)行健康狀態(tài)影響因子的篩選，以所選因子和導(dǎo)彈健康狀態(tài)評(píng)估結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出，建立RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，給出導(dǎo)彈健康狀態(tài)的預(yù)測(cè)；最后，通過(guò)實(shí)例分析說(shuō)明所提方法的實(shí)用性和有效性。該方法可為導(dǎo)彈健康狀態(tài)指標(biāo)的選取和導(dǎo)彈健康狀態(tài)預(yù)測(cè)提供新思路，為導(dǎo)彈預(yù)防性維修決策提

，得出RBF神經(jīng)網(wǎng)絡(luò)擬合效果最優(yōu);然后，通過(guò)計(jì)算擬合曲線的曲率和二階導(dǎo)數(shù)，量化分析冠狀面輪廓曲線形態(tài);最后，在大規(guī)模人群測(cè)量中進(jìn)行驗(yàn)證，得到3類典型的冠狀面曲線。實(shí)驗(yàn)結(jié)果顯示，采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建二維曲線表征三維人體特征空間的數(shù)學(xué)模型擬合精度高、泛化能力強(qiáng)，能有效表征人體縱向體表特征。關(guān)鍵詞： ?冠狀面輪廓曲線;逆向工程;RBF神經(jīng)網(wǎng)絡(luò);數(shù)學(xué)模型;量化分析中圖分類號(hào)： TS941.17文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1001 7003（2022）03 002

文選取RBF神經(jīng)網(wǎng)絡(luò)作為研究工具，根據(jù)電控發(fā)動(dòng)機(jī)作業(yè)原理，構(gòu)建故障診斷函數(shù)，在MATLAB環(huán)境下編譯診斷程序。為了檢驗(yàn)本文提出的故障診斷方案可靠性，本研究設(shè)置了3種故障狀態(tài)，對(duì)這些故障診斷進(jìn)行仿真。仿真結(jié)果顯示，本文提出的故障診斷方案符合診斷精度、診斷效率改善要求，可以推廣應(yīng)用。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò) 故障診斷 電控發(fā)動(dòng)機(jī)Research on Fault Diagnosis of Automobile Electronic Control EngineL

，基于RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建了我國(guó)制造業(yè)設(shè)計(jì)能力評(píng)價(jià)模型，根據(jù)該模型對(duì)我國(guó)制造業(yè)進(jìn)行設(shè)計(jì)能力進(jìn)行了評(píng)價(jià)。結(jié)果表明，與其他神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)的泛化能力強(qiáng)，模型精度高;并從6個(gè)方面對(duì)我國(guó)制造業(yè)設(shè)計(jì)能力提升提出了建議，為制造業(yè)相關(guān)企業(yè)和政府部門提供決策參考。關(guān)鍵詞：中國(guó)制造業(yè);設(shè)計(jì)能力;RBF神經(jīng)網(wǎng)絡(luò);能力評(píng)價(jià)中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2021.02.003本文著錄格式：韓鵬，余開(kāi)朝.

，基于RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制算法的外骨骼平臺(tái)可以跟蹤步態(tài)軌跡，有利于提高系統(tǒng)對(duì)位置和速度的跟蹤能力以及系統(tǒng)的穩(wěn)定性.關(guān)鍵詞：下肢外骨骼;RBF神經(jīng)網(wǎng)絡(luò);康復(fù)機(jī)器人;動(dòng)力學(xué)模型中圖分類號(hào)：TP242;R496? ? ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2021.03.0070? ? 引言在康復(fù)醫(yī)療領(lǐng)域中，下肢外骨骼是一種智能化醫(yī)療設(shè)備，可協(xié)助患者進(jìn)行下肢的康復(fù)訓(xùn)練并促進(jìn)其正常的步行功能[1-2].近年來(lái)，國(guó)內(nèi)外涌現(xiàn)出

算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的無(wú)線網(wǎng)絡(luò)室內(nèi)定位系統(tǒng)。通過(guò)模糊聚類對(duì)有效訓(xùn)練區(qū)進(jìn)行選擇，以提高其精確性。同時(shí)，以和聲搜索算法為依據(jù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)計(jì)算，實(shí)現(xiàn)更加精準(zhǔn)的室內(nèi)定位。經(jīng)過(guò)實(shí)驗(yàn)仿真表明，該系統(tǒng)切實(shí)可行。關(guān)鍵詞： 無(wú)線網(wǎng)絡(luò); 室內(nèi)定位; RBF神經(jīng)網(wǎng)絡(luò); 和聲搜索; 聚類分析; 仿真實(shí)驗(yàn)中圖分類號(hào)： TN915?34? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：

核函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的出水氨氮軟測(cè)量方法。由于隱層激活函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)性能影響較大，AK-RBF 神經(jīng)網(wǎng)絡(luò)將基于歐幾里得的高斯核與余弦核通過(guò)線性組合形成新的隱層神經(jīng)元激活函數(shù)。網(wǎng)絡(luò)參數(shù)學(xué)習(xí)采用梯度下降算法推導(dǎo)的迭代公式更新以提高網(wǎng)絡(luò)預(yù)測(cè)精度。仿真實(shí)驗(yàn)表明，基于AK-RBF神經(jīng)網(wǎng)絡(luò)的出水氨氮軟測(cè)量方法能夠在線預(yù)測(cè)出水氨氮，比RBF神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度和更好的自適應(yīng)能力。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò);自適應(yīng)核;氨氮預(yù)測(cè);歐氏距離和余弦距離DOI：10. 1190

網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，對(duì)預(yù)測(cè)效果進(jìn)行對(duì)比分析?！娟P(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)預(yù)測(cè);特征提取【中圖分類號(hào)】R749.1 【文獻(xiàn)標(biāo)識(shí)碼】A 【DOI】10.12332/j.issn.2095-6525.2020.13.2561研究背景阿爾茲海默癥，即為人熟知的老年癡呆癥，也是全球老年人群最常見(jiàn)的癡呆形式之一，是一種慢性神經(jīng)退行性疾病。據(jù)《世界阿爾茨海默病報(bào)告》顯示，隨著人類預(yù)期壽命的增加，全球每3秒就約有一人患阿爾茲海默癥，預(yù)計(jì)到20

糙集;RBF神經(jīng)網(wǎng)絡(luò);HFACS我國(guó)經(jīng)濟(jì)快速發(fā)展催生了一批批自動(dòng)化程度高、智能化程度強(qiáng)、標(biāo)準(zhǔn)化水平高的電力企業(yè)，電力企業(yè)內(nèi)部設(shè)備不斷更新升級(jí)，因此電力企業(yè)電力生產(chǎn)事故中由機(jī)器故障導(dǎo)致的事故所占比例越來(lái)越小，相反，人為失誤在電力企業(yè)電力事故中的影響越來(lái)越大。我國(guó)電力企業(yè)在2008～2012年間，累計(jì)發(fā)生234 起電力生產(chǎn)安全事故，包括設(shè)備故障、電網(wǎng)事故等各類型電力事故，共造成145 人死亡，其中80%的電力事故是由人的失誤而發(fā)生的。因此，探究人為因素在電力事

出一種RBF神經(jīng)網(wǎng)絡(luò)的旅游管理系統(tǒng)安全風(fēng)險(xiǎn)評(píng)價(jià)方法。在RBF神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，建立安全風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，并采用灰色關(guān)聯(lián)度分析法確定各評(píng)價(jià)指標(biāo)的權(quán)重，再計(jì)算安全風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)值，通過(guò)專家評(píng)價(jià)法確定安全風(fēng)險(xiǎn)評(píng)價(jià)等級(jí)后，訓(xùn)練樣本數(shù)據(jù)，采用模糊評(píng)價(jià)法對(duì)旅游管理系統(tǒng)安全風(fēng)險(xiǎn)做出評(píng)價(jià)，至此完成RBF神經(jīng)網(wǎng)絡(luò)的旅游管理系統(tǒng)安全風(fēng)險(xiǎn)評(píng)價(jià)方法的設(shè)計(jì)與實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的安全風(fēng)險(xiǎn)評(píng)價(jià)方法相比，文中提出的評(píng)價(jià)方法能夠更精確地評(píng)價(jià)旅游管理系統(tǒng)的安全風(fēng)險(xiǎn)，具有更高的有效性。關(guān)

性項(xiàng)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)被控對(duì)象進(jìn)行辨識(shí)，從而獲得單神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)需要的Jacobian信息，然后將擴(kuò)展的積分系數(shù)、非線性誤差反饋控制律中的比例系數(shù)和微分系數(shù)作為單神經(jīng)元的權(quán)重，利用單神經(jīng)元的自學(xué)習(xí)能力改進(jìn)自抗擾控制器。仿真結(jié)果表明：加入神經(jīng)網(wǎng)絡(luò)的自抗擾控制器具有較好的魯棒性，與參數(shù)固定的常規(guī)自抗擾控制器相比具有更高的精度和更快的響應(yīng)速度。關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)云臺(tái); 自抗擾控制; RBF神經(jīng)網(wǎng)絡(luò); Jacobian信息; 收斂速度; 魯棒性測(cè)試中圖分類號(hào)： T

鍵詞：RBF神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)安全;態(tài)勢(shì)感知;預(yù)測(cè)中圖分類號(hào)： TP309.2? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：AAbstract： Aiming at the problem of network security situation perception， combined with the operation of Julongshan and Zhemoshan wind farms， a network security situation predi

。由于RBF神經(jīng)網(wǎng)絡(luò)能夠迅速地逼近實(shí)際值，為此文中提出一種基于RBF神經(jīng)網(wǎng)絡(luò)的公交車到站時(shí)間預(yù)測(cè)，以公交車到站時(shí)間為輸入，以兩站相差的時(shí)間為輸出建立模型。通過(guò)仿真和分析，并且和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)結(jié)果對(duì)比，實(shí)驗(yàn)結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)在公交車到站時(shí)間預(yù)測(cè)結(jié)果與實(shí)際值更為接近，并且優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。關(guān)鍵詞： 公交車; 時(shí)間預(yù)測(cè); RBF神經(jīng)網(wǎng)絡(luò); 數(shù)學(xué)建模; 網(wǎng)絡(luò)訓(xùn)練; 仿真分析中圖分類號(hào)： TN711?34; TP183? ? ? ? ? ? ? ? ?

網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法，通過(guò)分析交通流量時(shí)間序列，使用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行短時(shí)交通流預(yù)測(cè)，并分析了在各種不同條件下的預(yù)測(cè)情況。關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);交通流量預(yù)測(cè)中圖分類號(hào)：TP183 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）23-0087-04Time Series Prediction of Traffic Flow Based on Neural NetworkZHANG Fan（Chin

一種將RBF神經(jīng)網(wǎng)絡(luò)和PID控制器相結(jié)合的控制策略。在分析液壓振動(dòng)臺(tái)數(shù)學(xué)模型和控制器結(jié)構(gòu)的基礎(chǔ)上，利用RBF神經(jīng)網(wǎng)絡(luò)良好的非線性映射能力，實(shí)現(xiàn)PID控制器參數(shù)的在線調(diào)整。與經(jīng)典PID控制器相比，所提控制策略具有較好的跟蹤能力和魯棒性。關(guān)鍵詞：液壓伺服振動(dòng)臺(tái);RBF神經(jīng)網(wǎng)絡(luò);PID控制器;波形復(fù)現(xiàn)0引言液壓伺服振動(dòng)臺(tái)具有力重比高，負(fù)載剛度大和響應(yīng)快速等優(yōu)點(diǎn)，常用于模擬航空航天、汽車制造和民用建筑等領(lǐng)域的振動(dòng)環(huán)境[1]。液壓伺服系統(tǒng)的強(qiáng)非線性特性，如伺服閥壓力

SO?RBF神經(jīng)網(wǎng)絡(luò); 特征提取; 分類模型建立; 參數(shù)優(yōu)化; 分類效果對(duì)比中圖分類號(hào)： TN911.1?34; TP183? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）09?0087?05DNA sequence classification based on PSO?RBF neural networkSUN Qian1， ZHAO Xin1， 2（1. Coll

SO?RBF神經(jīng)網(wǎng)絡(luò); 外觀檢測(cè); 圖像處理中圖分類號(hào)： TN247?34; TP272? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）09?0083?04Solar cell surface quality detection based on PSO?RBFNNZHANG Pengjuan（Yinchuan University of Energy， Yinch

，采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)圖書館借閱量數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立圖書館借閱量估計(jì)模型，并采用蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值;最后，與其他圖書館借閱量估計(jì)模型進(jìn)行對(duì)比實(shí)驗(yàn)。結(jié)果表明，所提模型可以獲得高精度的圖書館借閱量估計(jì)結(jié)果，降低了圖書館借閱量估計(jì)誤差，驗(yàn)證了所提圖書館借閱量估計(jì)模型的有效性和優(yōu)越性。關(guān)鍵詞： 估計(jì)模型; 借閱量歷史數(shù)據(jù); 數(shù)據(jù)挖掘技術(shù); 蟻群算法; 圖書館管理; RBF神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)： TN911.1?34; TP181 ? ? ? ?

網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);預(yù)測(cè);貨運(yùn)距離中圖分類號(hào)：F252? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2020）09-0168-03引言隨著社會(huì)經(jīng)濟(jì)的發(fā)展，我國(guó)五種運(yùn)輸方式的發(fā)展非常迅速，從貨運(yùn)里程數(shù)來(lái)說(shuō)，公路貨運(yùn)里程數(shù)不斷增長(zhǎng)，高速公路從無(wú)到有，自1998年以來(lái)，高速公路網(wǎng)絡(luò)發(fā)生了結(jié)構(gòu)性的變化，從而使公路網(wǎng)絡(luò)整體結(jié)構(gòu)及其在綜合運(yùn)輸網(wǎng)絡(luò)中的功能發(fā)生轉(zhuǎn)變;航空貨運(yùn)受區(qū)域經(jīng)濟(jì)一體化的影響，增長(zhǎng)潛力不斷變化;在鐵路貨運(yùn)方面，貨運(yùn)量不斷增

特性將RBF神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制器結(jié)合，設(shè)計(jì)了一種基于RBF神經(jīng)網(wǎng)絡(luò)PID自適應(yīng)控制的Boost變換器。MATLAB/Simulink軟件仿真測(cè)試表明，當(dāng)負(fù)載發(fā)生變化PEMFC電堆輸出電壓不穩(wěn)定時(shí)，所設(shè)計(jì)的控制器能夠?qū)⒆儞Q器輸出電壓快速平滑地過(guò)渡到300 V設(shè)定值。通過(guò)與傳統(tǒng)PID控制器進(jìn)行對(duì)比，自適應(yīng)PID控制器能更好地抑制變換器輸出電壓的振蕩幅度，取得了更好的控制效果。關(guān)鍵詞： 質(zhì)子交換膜燃料電池; Boost變換器; RBF神經(jīng)網(wǎng)絡(luò); 控制策略中

模型和RBF神經(jīng)網(wǎng)絡(luò)模型，提出了熱、濕阻變化率兩個(gè)指標(biāo)來(lái)分析織物的動(dòng)態(tài)熱濕傳遞性能。結(jié)果表明：線性回歸模型數(shù)據(jù)預(yù)測(cè)誤差較大，而RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的熱、濕阻變化率平均絕對(duì)百分誤差分別為2.2968%和2.0862%，預(yù)測(cè)精度高。關(guān)鍵詞： 顯汗?fàn)顟B(tài);運(yùn)動(dòng)服面料;熱濕舒適性;RBF神經(jīng)網(wǎng)絡(luò);熱、濕阻變化率中圖分類號(hào)： TS101.923文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 10017003（2020）02000607引用頁(yè)碼： 021102DOI： 10.3969/j.i

線更新RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值，以更優(yōu)的權(quán)值參數(shù)建立新的RBF網(wǎng)絡(luò)。研究結(jié)果表明：相比優(yōu)化前，基于GA優(yōu)化RBF的規(guī)劃軌跡逼近誤差小且平滑穩(wěn)定，仿真結(jié)果較為穩(wěn)定，軌跡規(guī)劃的可行性滿足機(jī)器人實(shí)際抓取工作的需要。關(guān)鍵詞：遺傳算法;機(jī)器人;RBF神經(jīng)網(wǎng)絡(luò);軌跡規(guī)劃中圖分類號(hào)：TP249? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：ARobot Trajectory Planning Based on GA Op

序列;RBF神經(jīng)網(wǎng)絡(luò)[DOI]10.13939/j.cnki.zgsc.2020.35.0361 引言科創(chuàng)板企業(yè)是不同現(xiàn)有主板市場(chǎng)的新設(shè)板塊?？苿?chuàng)板對(duì)企業(yè)盈利不做要求，暫未盈利的企業(yè)采取市銷率法進(jìn)行估值。因?yàn)槭切滦桶鍓K，估值可參照美國(guó)納斯達(dá)克市場(chǎng)（以下簡(jiǎn)稱NASDAQ市場(chǎng)）上市公司的平均市銷率，因?yàn)閲?guó)內(nèi)市場(chǎng)與美國(guó)市場(chǎng)上市的企業(yè)盈利能力不同以及投資者結(jié)構(gòu)不同，造成基本面與流動(dòng)性均存在較大差異，導(dǎo)致中國(guó)與美國(guó)的股票市場(chǎng)估值水平存在估值水平的差異。不妨提出以下問(wèn)

模型;RBF神經(jīng)網(wǎng)絡(luò);企業(yè)成長(zhǎng)性;創(chuàng)業(yè)板上市公司DOI：10.3969/j.issn.1008-0821.2020.03.004〔中圖分類號(hào)〕G255.53?〔文獻(xiàn)標(biāo)識(shí)碼〕A?〔文章編號(hào)〕1008-0821（2020）03-0038-09Abstract：[Purpose/Significance]The enterprise patent big data is used to construct a high-dimensional cloud mod

正則化RBF神經(jīng)網(wǎng)絡(luò)和粒子群算法的水泵壓力控制策略。首先，通過(guò)供水管網(wǎng)結(jié)構(gòu)分析尋找各區(qū)域最不利出水點(diǎn);然后，利用歷史數(shù)據(jù)訓(xùn)練正則化RBF神經(jīng)網(wǎng)絡(luò)使其具備水力模型辨識(shí)能力，并通過(guò)粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程進(jìn)行優(yōu)化，提高學(xué)習(xí)效率;最后根據(jù)當(dāng)前壓力輸入輸出樣本集進(jìn)行水泵壓力自校正控制，實(shí)現(xiàn)水泵壓力的智能控制。經(jīng)過(guò)驗(yàn)證，該系統(tǒng)可以實(shí)現(xiàn)在滿足供水管網(wǎng)用水需求的前提下，降低水泵壓力，消除過(guò)壓供水，有效地節(jié)約能源。關(guān)鍵詞： 供水管網(wǎng)節(jié)能; 智能控制; RBF神經(jīng)網(wǎng)絡(luò);

重要。RBF神經(jīng)網(wǎng)絡(luò)具有對(duì)任意非線性函數(shù)逼近的能力，于是設(shè)計(jì)將RBF神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到系統(tǒng)辨識(shí)中，并通過(guò)Matlab仿真基于RBF神經(jīng)網(wǎng)絡(luò)對(duì)給定復(fù)雜非線性系統(tǒng)的辨識(shí)。仿真結(jié)果表明在對(duì)于復(fù)雜非線性系統(tǒng)的辨識(shí)上，基于RBF神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)法是準(zhǔn)確可行的。關(guān)鍵詞：系統(tǒng)辨識(shí);RBF神經(jīng)網(wǎng)絡(luò);非線性系統(tǒng);仿真中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-2945（2020）05-0031-03Abstract： The establishment o

S）、RBF神經(jīng)網(wǎng)絡(luò)（RBFNN）、隨機(jī)森林（RF）模型作為預(yù)測(cè)方法，與不同組合的輔助變量相結(jié)合，模擬密云區(qū)耕地表層土壤有機(jī)質(zhì)空間分布，并比較不同預(yù)測(cè)方法、不同輔助變量組合的預(yù)測(cè)精度。研究結(jié)果表明，密云區(qū)耕地表層土壤有機(jī)質(zhì)含量在5.42～40.44 g/kg之間，變異系數(shù)為30.03%，屬于中等程度變異;從不同預(yù)測(cè)方法來(lái)看，隨機(jī)森林建模預(yù)測(cè)精度比偏最小二乘以及RBF預(yù)測(cè)精度要高，而從不同的輔助變量組合來(lái)看，有效土層厚度和高程作為輔助變量組合的預(yù)測(cè)精度最高。

了基于RBF神經(jīng)網(wǎng)絡(luò)的境外旅游人數(shù)預(yù)測(cè)模型。首先對(duì)旅游樣本數(shù)據(jù)進(jìn)行歸一化處理，對(duì)境外旅游人數(shù)變動(dòng)統(tǒng)計(jì)。然后通過(guò)預(yù)測(cè)種群構(gòu)建、評(píng)估適應(yīng)值、懲罰項(xiàng)設(shè)置、預(yù)測(cè)序列平穩(wěn)性檢驗(yàn)、模型預(yù)測(cè)五個(gè)過(guò)程完成了基于RBF神經(jīng)網(wǎng)絡(luò)的境外旅游人數(shù)預(yù)測(cè)模型的設(shè)計(jì)。最后，實(shí)驗(yàn)證明，RBF神經(jīng)網(wǎng)絡(luò)的境外旅游人數(shù)預(yù)測(cè)模型比傳統(tǒng)的境外旅游人數(shù)預(yù)測(cè)模型誤差小，能夠準(zhǔn)確對(duì)境外旅游人數(shù)預(yù)測(cè)。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò);旅游;人數(shù);預(yù)測(cè);節(jié)點(diǎn);誤差中圖分類號(hào)：TP183? ? ? ? ? ? ? ?

中研究RBF神經(jīng)網(wǎng)絡(luò)在河流營(yíng)養(yǎng)鹽濃度預(yù)測(cè)中的適用性，并與傳統(tǒng)的時(shí)間序列預(yù)測(cè)模型：ARIMA進(jìn)行比較。以朱衣河為研究對(duì)象，對(duì)河流營(yíng)養(yǎng)鹽主要成分之一的磷酸鹽濃度進(jìn)行預(yù)測(cè)。通過(guò)采集到的時(shí)間序列數(shù)據(jù)對(duì)兩種預(yù)測(cè)模型進(jìn)行仿真，并通過(guò)平均誤差和均方誤差的比較，證明基于RBF神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型具有較強(qiáng)的預(yù)測(cè)精度和良好的推廣價(jià)值能力，在河流營(yíng)養(yǎng)鹽預(yù)測(cè)中有較高的實(shí)用性。關(guān)鍵詞： RBF神經(jīng)網(wǎng)絡(luò); 營(yíng)養(yǎng)鹽濃度; 磷酸鹽濃度預(yù)測(cè); ARIMA; 仿真模型; 誤差分析中圖分

變換與RBF神經(jīng)網(wǎng)絡(luò)理論。利用小波變換對(duì)回波信號(hào)進(jìn)行預(yù)處理，提取出所需要的焊縫缺陷的特征信息。然后由RBF神經(jīng)網(wǎng)絡(luò)對(duì)特征信息進(jìn)行學(xué)習(xí)訓(xùn)練，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)輸出值與焊縫缺陷類型輸出代碼進(jìn)行比較后，最終得出焊縫缺陷類型的檢測(cè)與識(shí)別結(jié)果。關(guān)鍵詞：小波變換;RBF神經(jīng)網(wǎng)絡(luò);超聲檢測(cè);缺陷識(shí)別中圖分類號(hào)：TP18 ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? 文章編號(hào)：2095-2945（2019）28-0035-02Abstract： This paper main

譜; RBF神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)： O322; O343.5 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)： 1004-4523（2019）04-0626-09DOI：10.16385/j.cnki.issn.1004-4523.2019.04.009引 言分岔是非線性系統(tǒng)所具備的獨(dú)特現(xiàn)象且已經(jīng)成為非線性動(dòng)力學(xué)不可或缺的組成部分，分岔理論的研究不僅揭示了系統(tǒng)的各種運(yùn)動(dòng)狀態(tài)之間的相互聯(lián)系和轉(zhuǎn)化，而且與混沌密切相關(guān)。對(duì)于非線性系統(tǒng)，分岔現(xiàn)象可能產(chǎn)生有害的動(dòng)力學(xué)行為，需要避免或

算法的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化算法。首先根據(jù)壓力傳感器測(cè)量電路得到電壓Ub與電流I的關(guān)系，因其存在很大的溫度誤差，須要采用適當(dāng)?shù)难a(bǔ)償方法對(duì)外界溫度造成的誤差加以修正。然后通過(guò)壓力傳感器輸出電壓U與溫度T、壓強(qiáng)P、電源波動(dòng)γ的關(guān)系建立壓力傳感器溫度補(bǔ)償模型，分別在18.4、32.5、41.8、65.6 ℃共4個(gè)溫度點(diǎn)進(jìn)行試驗(yàn)數(shù)據(jù)采集并對(duì)試驗(yàn)結(jié)果進(jìn)行歸一化處理。最后利用蟻群算法進(jìn)行尋優(yōu)和自適應(yīng)調(diào)整發(fā)揮系數(shù)的特點(diǎn)作為聚類算法確定RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心，選取BP算法、

思想對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，并給出優(yōu)化流程及步驟;最后建立動(dòng)力學(xué)方程，并設(shè)定徑向神經(jīng)網(wǎng)絡(luò)和粒子群算法的參數(shù)，得到經(jīng)優(yōu)化的RBF網(wǎng)絡(luò)控制的軌跡與期望軌跡一致，且軌跡誤差小，具有較高的控制精度. 關(guān)鍵詞：工業(yè)機(jī)器人;RBF神經(jīng)網(wǎng)絡(luò);動(dòng)力學(xué)方程中圖分類號(hào)：TP242? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2019）11-0110-03 隨著現(xiàn)代工業(yè)機(jī)器人的深入研究，軌跡規(guī)劃（trajectory planning）研究逐步完善，人們已經(jīng)能夠開(kāi)發(fā)

算法;RBF神經(jīng)網(wǎng)絡(luò);融合算法;玉米病蟲(chóng)害;產(chǎn)量損失預(yù)測(cè)模型中圖分類號(hào)： TP312;S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2019）09-0263-04玉米不僅作為東北地區(qū)的主要糧食種植作物，而且在整個(gè)糧食生產(chǎn)中也具有重要的地位。病蟲(chóng)害是影響玉米產(chǎn)量的重要因素之一，現(xiàn)階段病蟲(chóng)害頻發(fā)對(duì)玉米的產(chǎn)量及質(zhì)量造成了極大的威脅[1-3]。病蟲(chóng)害農(nóng)業(yè)產(chǎn)量損失預(yù)測(cè)與防治已成為農(nóng)業(yè)經(jīng)濟(jì)發(fā)展中一個(gè)不可或缺的環(huán)節(jié)。因此，對(duì)其進(jìn)行研究和分析預(yù)測(cè)具有較強(qiáng)的實(shí)際指導(dǎo)

BP或RBF神經(jīng)網(wǎng)絡(luò)可對(duì)活魚(yú)運(yùn)輸中的水質(zhì)進(jìn)行綜合評(píng)價(jià)，能夠突破傳統(tǒng)運(yùn)輸水質(zhì)評(píng)價(jià)方法的局限性與單一性，對(duì)防止水質(zhì)惡化，實(shí)現(xiàn)活魚(yú)運(yùn)輸水質(zhì)的精準(zhǔn)調(diào)控有重要意義。關(guān)鍵詞：活魚(yú)運(yùn)輸;水質(zhì)評(píng)價(jià);BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);水質(zhì)評(píng)價(jià)模型中圖分類號(hào)：TP183? ?文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)：1002-1302（2019）04-0134-05我國(guó)水產(chǎn)品種類繁多，其中魚(yú)類具有營(yíng)養(yǎng)豐富、脂肪含量低的特點(diǎn)，其脂肪酸被證實(shí)有降糖、護(hù)心和防癌的作用[1-3]。近年來(lái)隨著鮮活水產(chǎn)

-Ⅱ與RBF神經(jīng)網(wǎng)絡(luò)的車身薄板定位布局設(shè)計(jì)方法，以薄板定位時(shí)的偏差傳遞路徑最小和穩(wěn)定性最高為約束條件，應(yīng)用NSGA-Ⅱ算法優(yōu)化前3個(gè)定位點(diǎn)，在有限元樣本的支持下分別構(gòu)建BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并進(jìn)行對(duì)比，選擇預(yù)測(cè)精度較高的RBF神經(jīng)網(wǎng)絡(luò)結(jié)果作為個(gè)體適應(yīng)度值。分別應(yīng)用遺傳算法和粒子群算法在RBF神經(jīng)網(wǎng)絡(luò)中尋優(yōu)并對(duì)比，選擇收斂速度較快和求解精度較高的粒子群算法的求解值作為第4個(gè)定位點(diǎn)的最優(yōu)解。以座椅安裝橫梁作為模型驗(yàn)證研究?jī)?nèi)容。結(jié)果表明，零件在優(yōu)化后定位布

網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)及小波神經(jīng)網(wǎng)絡(luò)模型對(duì)貴州省某?？漆t(yī)院的精神類疾病患者數(shù)進(jìn)行擬合及預(yù)測(cè)，并比較各類預(yù)測(cè)模型的預(yù)測(cè)效果。方法 ?將貴州省某?？漆t(yī)院2016年1月1日～12月31日HIS系統(tǒng)中精神類疾病的數(shù)據(jù)作為訓(xùn)練集，建立SARIMA（1，1，1）×（1，1，1）3模型、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)模型。分別對(duì)2017年1月1日～16日精神類疾病患者數(shù)進(jìn)行預(yù)測(cè)，將2017年1月1日～16日數(shù)據(jù)作為驗(yàn)證集。分別用3類誤差分析指標(biāo)衡量模型的擬合效

糙集與RBF神經(jīng)網(wǎng)絡(luò)算法結(jié)合算法對(duì)企業(yè)工業(yè)生產(chǎn)總值、用電量、用工量等3個(gè)主要影響因素進(jìn)行分析，并根據(jù)各參數(shù)之間差異劃分企業(yè)等級(jí)。研究結(jié)果表明：根據(jù)算法對(duì)數(shù)據(jù)分類結(jié)果，該結(jié)果與東豐縣開(kāi)發(fā)區(qū)企業(yè)分級(jí)情況比較接近，說(shuō)明基于粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法， 是一種在企業(yè)綠色發(fā)展分級(jí)方面有效的評(píng)價(jià)方法;通過(guò)2種算法之間的可視化圖形對(duì)比，得出粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法較 BP神經(jīng)網(wǎng)絡(luò)算法分類效果更加明顯; 因而，基于 粗糙集RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)東豐縣開(kāi)發(fā)區(qū)進(jìn)行企業(yè)劃分準(zhǔn)確性強(qiáng)

：基于RBF神經(jīng)網(wǎng)絡(luò)的PID控制整定分析，通過(guò)MATLAB構(gòu)建CSTR對(duì)象模型，綜合生產(chǎn)環(huán)境與各種干擾性因素，利用整定PID參數(shù)的方式進(jìn)行控制分析，效果顯著。基于此，文章主要對(duì)基于RBF神經(jīng)網(wǎng)絡(luò)的PID控制整定的相關(guān)內(nèi)容進(jìn)行了簡(jiǎn)單的分析論述。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò);PID控制整定;CSTR中圖分類號(hào)：TP273 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2019）13-0032-02Abstract： The PID co

種基于RBF神經(jīng)網(wǎng)絡(luò)的金屬殼諧振陀螺溫度誤差補(bǔ)償方法。在-4～60 ℃溫度范圍內(nèi)，分別建立金屬殼諧振陀螺的溫度誤差一階多項(xiàng)式模型、二階多項(xiàng)式模型和RBF神經(jīng)網(wǎng)絡(luò)模型，基于三種溫度誤差模型對(duì)陀螺輸出進(jìn)行溫度誤差補(bǔ)償。實(shí)驗(yàn)數(shù)據(jù)表明，基于RBF神經(jīng)網(wǎng)絡(luò)模型的補(bǔ)償效果優(yōu)于基于一階多項(xiàng)式和二階多項(xiàng)式模型的補(bǔ)償效果，補(bǔ)償后漂移標(biāo)準(zhǔn)差減少了66.31%，可大幅度降低溫度變化對(duì)金屬殼諧振陀螺精度的影響，在工程實(shí)際中有一定參考意義。關(guān)鍵詞： 金屬殼諧振陀螺; 溫度漂移; 溫

模型、RBF神經(jīng)網(wǎng)絡(luò)模型.分別對(duì)2017年1月1日-2017年1月16日病人用以精神類疾病看病費(fèi)用情況進(jìn)行預(yù)測(cè).RBF神經(jīng)網(wǎng)絡(luò)模型均能夠較好地?cái)M合和預(yù)測(cè)精神類疾病患者看病費(fèi)用，可以為醫(yī)院管理者了解本院精神病患者看病費(fèi)用的變化趨勢(shì)提供依據(jù)，為制定精神病患者疾病負(fù)擔(dān)的相關(guān)政策提供數(shù)據(jù)支撐.關(guān)鍵詞?精神疾病;統(tǒng)計(jì)分析;RBF神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)??F224.9?文獻(xiàn)標(biāo)識(shí)碼?AAbstract?The number and cost of patients in a

數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)常用的激活函數(shù)，在FPGA上實(shí)現(xiàn)Gaussian函數(shù)，有利于提高神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度。本文簡(jiǎn)要介紹了Gaussian函數(shù)模型，并基于FPGA平臺(tái)，分析了幾種實(shí)現(xiàn)復(fù)雜函數(shù)的方案，最終采用分段擬合的方法對(duì)Gaussian函數(shù)進(jìn)行逼近。首先用MATLAB對(duì)Gaussian函數(shù)進(jìn)行初步的擬合，在FPGA平臺(tái)用Verilog HDL語(yǔ)言實(shí)現(xiàn)Gaussian函數(shù)。仿真結(jié)果表明，誤差可以控制在較小的數(shù)量級(jí)，滿足神經(jīng)網(wǎng)絡(luò)運(yùn)算的精度。關(guān)鍵詞：FPGA;RB

來(lái)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)，進(jìn)而提高RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，提升故障檢測(cè)的準(zhǔn)確率。RBF神經(jīng)網(wǎng)絡(luò)的梯度下降訓(xùn)練算法存在著收斂速度慢的問(wèn)題，選用改進(jìn)的粒子群算法來(lái)提高網(wǎng)絡(luò)的訓(xùn)練速度。通過(guò)分析電網(wǎng)故障的特點(diǎn)，創(chuàng)建電網(wǎng)故障模型，將故障樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本來(lái)訓(xùn)練網(wǎng)絡(luò)。經(jīng)仿真證明，改進(jìn)粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)故障有更好的檢測(cè)效果，故障檢測(cè)準(zhǔn)確率更高，有更好的實(shí)用價(jià)值。關(guān)鍵詞： 電網(wǎng)故障檢測(cè); 粒子群算法; RBF神經(jīng)網(wǎng)絡(luò); 構(gòu)建速度;

種基于RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制策略。首先，通過(guò)RBF神經(jīng)網(wǎng)絡(luò)算法和增量式PID控制器的結(jié)合，將神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)習(xí)能力應(yīng)用于對(duì)增量式PID參數(shù)的調(diào)整。然后，在常規(guī)熱風(fēng)爐溫控系統(tǒng)的基礎(chǔ)上，將其外環(huán)改為采用RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制。熱風(fēng)爐溫控系統(tǒng)中內(nèi)環(huán)以煤氣閥門開(kāi)度為變量，外環(huán)以拱頂溫度為控制變量，通過(guò)改進(jìn)的串級(jí)控制來(lái)實(shí)現(xiàn)熱風(fēng)爐的燃燒優(yōu)化調(diào)整。 Matlab仿真分析和實(shí)際應(yīng)用效果表明，RBF神經(jīng)網(wǎng)絡(luò)整定的PID控制曲線幾乎無(wú)超調(diào)量，系統(tǒng)抗干擾能力相

過(guò)建立RBF神經(jīng)網(wǎng)絡(luò)模型，提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)RBF-PID的反應(yīng)器溫度控制策略，同時(shí)結(jié)合高級(jí)多功能過(guò)程控制實(shí)驗(yàn)系統(tǒng)SMPT1000平臺(tái)進(jìn)行仿真驗(yàn)證。仿真結(jié)果表明，基于RBF-PID控制策略的反應(yīng)器溫度控制系統(tǒng)具有超調(diào)量小、動(dòng)態(tài)性能好等特點(diǎn)，可實(shí)現(xiàn)反應(yīng)器溫度的穩(wěn)定控制。關(guān)鍵詞：反應(yīng)器；溫度控制；RBF神經(jīng)網(wǎng)絡(luò)；SMPT1000中圖分類號(hào)：TP273.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2018）08-00-030 引 言反應(yīng)器是目前化

，得出RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度最高。此外，通過(guò)預(yù)測(cè)值與規(guī)劃值的比較分析，可知長(zhǎng)沙市建設(shè)用地增長(zhǎng)速度過(guò)快，應(yīng)加強(qiáng)城市內(nèi)涵挖掘，對(duì)城市土地利用及其規(guī)劃制定具有一定的科學(xué)指導(dǎo)意義。關(guān)鍵詞 建設(shè)用地；多元線性回歸；RBF神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：F301.23 文獻(xiàn)標(biāo)識(shí)碼：AAbstract： The paper utilizes the urban cons truction land demand forecast as the research object，

，基于RBF神經(jīng)網(wǎng)絡(luò)在處理小樣本數(shù)據(jù)方面的反饋性、關(guān)聯(lián)性、快速性等優(yōu)勢(shì)實(shí)現(xiàn)對(duì)城市軌道交通PPP項(xiàng)目績(jī)效等級(jí)的模擬。將構(gòu)建的模型運(yùn)用于北京地鐵4號(hào)線PPP項(xiàng)目績(jī)效評(píng)價(jià)，認(rèn)為在該地鐵項(xiàng)目管理中應(yīng)注重對(duì)政府公信力、投資回收率、財(cái)務(wù)水平、服務(wù)質(zhì)量四個(gè)主要指標(biāo)的管理，為城市軌道交通PPP項(xiàng)目的績(jī)效評(píng)價(jià)提供了新的思路，具有一定的理論及現(xiàn)實(shí)意義?！娟P(guān)鍵詞】 城市軌道交通； PPP； 績(jī)效評(píng)價(jià)； Shapley； RBF神經(jīng)網(wǎng)絡(luò)【中圖分類號(hào)】 F283 【文獻(xiàn)標(biāo)識(shí)碼】 A

算，在RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中采用梯度下降法結(jié)合L1，L2正則化實(shí)現(xiàn)隱層節(jié)點(diǎn)數(shù)的選擇。通過(guò)模糊控制思想提高泛化能力，引入模擬退火算法減少了需要重復(fù)訓(xùn)練的次數(shù)。Matlab仿真結(jié)果表明，通過(guò)改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法對(duì)蓄電池的電池剩余容量（SOC）估算平均誤差達(dá)到2%，改進(jìn)了估算精度的同時(shí)也提高了泛化能力并且減少了重復(fù)訓(xùn)練的次數(shù)。關(guān)鍵詞： SOC估算； RBF神經(jīng)網(wǎng)絡(luò)； 正則化； 模糊控制； 模擬退火算法； Matlab中圖分類號(hào)： TN245?34； T

變換與RBF神經(jīng)網(wǎng)絡(luò)結(jié)合的故障診斷方法。通過(guò)小波變換對(duì)數(shù)據(jù)樣本加以特征提取，根據(jù)非線性故障模型，以訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)實(shí)施分類。通過(guò)實(shí)驗(yàn)于Matlab中進(jìn)行系統(tǒng)測(cè)試，結(jié)論證實(shí)此方法可以實(shí)現(xiàn)故障診斷要求，取得了較好效果。關(guān)鍵詞： 民航發(fā)動(dòng)機(jī)； 傳感器； 故障診斷； 小波變換； RBF神經(jīng)網(wǎng)絡(luò)； 特征提取中圖分類號(hào)： TN949.6+4?34； TP277 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）20?0137?04Abstract： I

了提高RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)太陽(yáng)黑子數(shù)的準(zhǔn)確度，本文采用一種基于粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。利用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，并將其用于太陽(yáng)黑子數(shù)月均值的預(yù)測(cè)。將實(shí)驗(yàn)結(jié)果與傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果進(jìn)行比較，結(jié)果表明，該方法收斂快速、預(yù)測(cè)精度明顯提高，表明了PSO-RBF預(yù)測(cè)模型在太陽(yáng)黑子數(shù)預(yù)測(cè)中的有效性?！娟P(guān)鍵詞】太陽(yáng)黑子數(shù)；RBF神經(jīng)網(wǎng)絡(luò)；粒子群算法；預(yù)測(cè)中圖分類號(hào)： TP3 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2

能力與RBF神經(jīng)網(wǎng)絡(luò)在函數(shù)收斂中的快速性和絕對(duì)性相結(jié)合，以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最小或不收斂，構(gòu)建了以水庫(kù)大壩庫(kù)水深、降雨量和溫度三參數(shù)為主要影響因素，大壩滲流量為觀測(cè)值的函數(shù)關(guān)系。通過(guò)與汾河水庫(kù)實(shí)測(cè)資料對(duì)比分析表明，基于BP-RBF神經(jīng)網(wǎng)絡(luò)模型的壩基滲流預(yù)測(cè)模型預(yù)測(cè)效果良好，可以為大壩的安全監(jiān)測(cè)與病險(xiǎn)防護(hù)提供數(shù)據(jù)支持，為大壩原型觀測(cè)資料處理提供了新途徑。關(guān)鍵詞：大壩安全監(jiān)測(cè)；滲流；預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)；汾河水庫(kù)中圖分類號(hào)：TV698.1文

先確定RBF神經(jīng)網(wǎng)絡(luò)的輸入輸出、建立RBF網(wǎng)絡(luò)模型，然后把歸一化后的數(shù)據(jù)送入RBF網(wǎng)絡(luò)模型，利用量子遺傳算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，得到最優(yōu)診斷模型，最后輸出診斷結(jié)果。用Matlab進(jìn)行仿真，其結(jié)果表明該算法解決了系統(tǒng)容易陷入局部最優(yōu)的問(wèn)題，在訓(xùn)練48代后就快速獲得最優(yōu)解，加快了網(wǎng)絡(luò)的收斂速度。同時(shí)RBF神經(jīng)網(wǎng)絡(luò)的泛化能力也得到很好的改善，故障診斷正確率達(dá)93%，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型。關(guān)鍵詞： 變壓器； 故障診斷； BP神經(jīng)網(wǎng)絡(luò)； 量子計(jì)算； RBF

出基于RBF神經(jīng)網(wǎng)絡(luò)的Android惡意行為識(shí)別方法。該方法首先進(jìn)行Android惡意行為的樣本采集、行為特征提取和數(shù)據(jù)整合，使輸出的結(jié)果可以被RBF神經(jīng)網(wǎng)絡(luò)識(shí)別，然后采用RBF神經(jīng)網(wǎng)絡(luò)局部逼近的特點(diǎn)提高學(xué)習(xí)速度，增強(qiáng)神經(jīng)網(wǎng)絡(luò)結(jié)果的輸出質(zhì)量，并采用K均值聚類算法得到所有特征集中各樣本到該特征集中心距離的平方和，取該距離的最小值，通過(guò)最小二乘遞推法計(jì)算隱含層節(jié)點(diǎn)到數(shù)據(jù)輸出層節(jié)點(diǎn)的權(quán)值，完成RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，實(shí)現(xiàn)Android惡意行為的準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果說(shuō)