为了解决精确数学模型难以建立且求解位置方程时的非线性问题和多阵列数据融合问题,提出基于多级神经网络的被动声定位算法。该算法通过第一级RBF神经网络对声源进行初次定位,并剔除无效数据;再将有效数据输入第二级RBF神经网络,得到置信度更高的声源坐标。仿真结果表明,基于多级神经网络的被动声定位算法定位精度高、速度快、鲁棒性好,其定位性能优于单RBF神经网络和常规算法,甚至在个别传感器失效时,仍然能够取得较好的定位效果。

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。

针对单一神经网络在涡流无损检测中存在识别精度低、训练时间长和识别范围小的缺点，提出了一种适用于实时在线检测的神经网络结构——层次式多子网神经网络。该网络包括一个总网和各层子网，可以将一个复杂的任务分成多个小任务去完成，能快速识别出缺陷有无、走向以及大小。由于每个网络采用改进的径向基神经网络优化隐含节点数，利用小波多尺度边缘检测方法提取输入信号的特征值以简化输入节点数，网络结构得到极大简化。结果表明，层次式多子网神经网络适用于实时在线检测。

针对双叶片泵存在水力性能比相同比转速的多叶片离心泵低的缺陷,该文以一台型号为80QW50-15-4的双叶片污水泵作为研究对象,将其设计流量点的扬程和效率定为优化目标,运用ANSYS CFX(computational fluid dynamics x)进行数值模拟获得性能数据,采用径向基(radial basis function,RBF)神经网络建立结构参数与扬程、效率性能间的预测模型,并将其用作粒子群算法的适应值评价模型,在样本空间内进行最优值求解,获得扬程和效率的Pareto解。选取扬程最优个体和效率最优个体进行数值模拟,研究其在输运不同介质时的性能与内流场差异,并与初始模型的数值模拟数据相比较。经试验验证,清水介质中设计流量点扬程最优个体的扬程较初始个体增加0.96 m,增幅达到5.5%;效率最优个体的效率较初始个体提升了10.11个百分点。该优化方法改善了叶轮水力特性,使双叶片泵性能得到提高。

由于助飞鱼雷结构布局紧凑、分离过程迅速且气动干扰严重，导致雷箭分离过程容易发生相互碰撞，因此其成为助飞鱼雷研制中必须解决的一项关键技术。目前常采用试验和数值仿真方法解决这一问题，但是雷箭分离过程的设计需要对多参数多工况进行计算，迭代寻优，上述2种方法并不满足大量、快速的计算要求。针对此，文中提出了基于径向基神经网络气动代理模型与虚拟样机联合仿真的方法。该方法通过提取影响气动力的关键因素，利用试验或数值计算得到气动力样本库，基于径向基神经网络算法建立了气动代理模型，具有良好的逼近和预测精度。联合雷箭分离多体动力学虚拟样机模型，可对雷箭分离过程进行快速仿真及对各参数的影响规律进行分析。

针对当前的装备故障诊断方法多用于周期性、连续性的旋转机械故障,对非周期性、突变和离散的液压系统并不适合,结合装填车液压系统的故障现状,提出了一种基于CBR-RBF-KG的故障诊断方法。创建案例库,使用jieba分词法和TF-IDF关键词抽取算法提取目标故障特征,使用径向基(RBF)神经网络进行案例检索,最后通过知识图谱(KG)来展示案例。结果表明:使用知识图谱能更直观的展示案例,该方法可有效的诊断液压系统故障。

为了进一步稳定调控工程设备液压系统的运行状态,根据负载敏感制动阀结构特性,开发了一种采用蓄能器构建储能的负载敏感制动控制系统。高压油进入负载敏感节流阀后产生压力反馈实现阀芯调节,使液压缸缓冲腔中压力升高,完成系统制动。利用径向基函数(Radial basis function,RBF)网络分类器完成故障特征参数的归类,并建立液压回路模糊控制的自回归各态历经(Auto Regressive eXogenous,ARX),分析系统的故障种类与实际监测状态。研究结果表明:利用ARX-RBF模型分析具有复杂结构的非线性系统运行状态,利用输出结果快速预测控制器运行状态并实现误差参数的精确调整,实现误差大幅降低,显著改善控制效果。模糊ARX-RBF诊断模型达到了快速响应的状态,对负载敏感制动系统的分析发挥了重要作用。该研究对提高负载敏感制动系统运行稳定性以及后续的控制参数的调整具有

常规的高精度控制策略很难量化地计入时变非线性、大范围变化的负载惯量,而特定场合下负载惯量大范围非线性变化对伺服系统精度的影响是不容忽视的。为此使用正则化径向基神经网络对负载惯量的变化进行预测,并在此基础上设计了大型中子衍射运动平台伺服控制系统的高精度控制策略。所设计的径向基神经网络不仅能够较好地预测负载惯量,便利地将惯量变化映射到控制策略,而且基于惯量预测控制策略的高精度控制系统是全局渐进稳定的。对考虑负载惯量变化的大型中子衍射平台的高精控制系统,在MATLAB里进行了建模仿真检验,仿真结果表明,运用所设计控制策略的高精控制系统很好地抑制了非线性负载惯量的影响,提高了运动平台在速度跟踪、位置跟踪方面的精度。

首先建立弧焊机器人的连杆坐标系，导出了基于D—H参数的机器人运动学方程，采用MATLAB机器人工具箱建立机器人模型，验证运动学方程的正确性；其次通过径向基神经网络映射来求取机器人逆运动学解，获得机器人各关节的空间位置，为机器人控制提供理论基础。

为了克服实际控制系统中存在的非线性和参数时变性所引起的常规控制器控制性能恶化,提出了一种新的控制方法--基于RBF神经网络整定的模糊控制,并在文中给出了具体算法.该控制方法以无量化解析模糊控制为主体,采用RBF神经网络对控制对象进行辨识,然后利用辨识所得到的Jacobian信息在某一给定的控制性能指标下对控制参数进行在线调整.将其应用于二次调节控制系统,并对系统进行了仿真.系统采用不同控制器的仿真曲线表明:基于RBF神经网络整定的模糊控制具有更好的控制性能.