边界点法（BKM）是一个真正的无网格边界型径向基函数（RBF）方案,它替代了原始解,是避免物理领域以外的虚拟边界的一般解。在这项研究中,BKM法首次被用来评价自由振动的简支板。与解析解和有限元的结果相比,实验数值表明BKM法在分析这些问题上是非常准确和快速收敛的。

带有多项式基的径向点插值无网格方法是一种新的数值方法.文章介绍其基本原理,并将该方法应用于二维弹性静力问题的求解,推导出其相应的离散方程,最后用算例表明,该法具有一定的发展前景.

介绍了人工神经网络技术的原理、学习与训练方法等，以及如何建立巴克豪森噪声（BN）信号与应力间的关系。分析了实际测量结果，说明该数据处理方法能够在BN应力检测中很好地应用。

局部气象参数实时数据是船舶航行、飞机起降所需要的非常重要的海洋气象参数。这些参数实时数据中的奇异数据对航行导航可能会导致危险后果。提出了一种基于径向基概率神经网络的气象重要参数状态识别方法用来识别奇异数据。将气象参数实时数据作为神经网络的输入，参数对应状态作为输出，通过对径向基概率神经网络模型训练，实现数据状态识别，将故障奇异数据进行有效识别。保证了气象观测系统输出数据的可靠性。实验结果表明，该方法可靠，且具有较好的泛化能力，能够实现气象参数实时数据状态的有效识别。

基于小扰动和弱非线性假设,提出了一种基于气动力降阶模型和径向基函数参数化的翼型优化方法.其主要方法是用径向基函数参数化翼型扰动;通过CFD辨识参数扰动对翼型气动力影响的降阶模型核函数;基于叠加法建立了参数变化对翼型气动力影响的降阶模型;最后基于该气动力降阶模型计算并优化翼型升阻特性.NACA0012翼型优化的结果表明基于气动力降阶模型的优化方法是可行的,可以极大地提高翼型优化速度.

为了确定橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系并较好实现温度压力控制系统的模型辨识自适应控制与精确解耦控制,结合径向基函数(RBF)神经网络与PID神经元结构,设计了一个基于RBF神经网络辨识模型与自适应控制的模型,用于完成对熔体温度、机头压力的模型辨识与自适应控制,并采用优化RBF神经网络进行精确解耦控制。利用MATLAB软件建立温度压力耦合系统的辨识模型,并与传统辨识模型和解耦方式进行对比。结果表明:在干扰作用下,基于优化RBF神经网络的系统具有较好的辨识能力,能自适应地完成系统解耦控制;采用优化RBF神经网络建立的耦合辨识模型的耦合辨识与解耦效果理想,可在一定程度上提高温度压力控制系统精度和挤出半成品质量,实现精密化挤出成型。

针对在柴油机故障诊断中径向基函数（Radial Basis Function,RBF）神经网络泛化能力不足的问题,提出一种基于AGA-RBF算法的柴油机故障诊断方法。在该方法中将自适应遗传算法（Adaptive Genetic Algorithm,AGA）和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于柴油机故障诊断。通过实验仿真表明,该算法收敛速度快,改善了RBF神经网络的泛化能力,提高了故障诊断准确率,实用性强,易于工程实现。

针对传统离心泵水力性能优化设计的复杂性,提出采用本征正交分解径向基函数(PODRBF)混合代理模型方法对离心泵叶轮内流场进行重构分析。由三次Bezier曲线对低比转数离心泵二维叶片型线进行参数化控制,通过对叶片包角、进出口安放角等控制参数进行适量的扰动得到叶片型线的样本集。由叶片型线参数及叶轮CFD内流场数据构成样本的快照矢量集,根据几何相似及网格变形方法插值得到各相似节点的流场参数,依据本征正交分解法(POD)将快照集分解为一系列正交基的线性组合。由径向基函数(RBF)拟合目标叶型所对应的正交基系数,实现了对目标叶轮内流场的重构。采用POD-RBF方法对MH48-12.5型低比转数离心泵叶轮内流场进行了重构,其压力预测均方根误差为0.84%,速度预测误差基本在0.5m/s以内,流场预测所需时间约为CFD计算的1/240。对样本集进行POD基模态分析,得...

通过神经网络在故障诊断方面的应用,利用Matlab 提供的大量径向基网络工具函数来设计网络、确定权函数、网络输出,采用径向基函数(RBF)网络来有效地实现对液压泵的故障诊断.该文表明,对于局部逼近的RBF网络学习速度快、训练步数少,该网络适合用于液压泵故障诊断问题中.

径向基函数（RBF）神经网络是一种在逼近能力、分类能力和学习速度等方面均优于BP网络的另一种网络。针对液力变矩器性能试验中的数据处理和分析需要，提出了应用径向基网络对试验数据进行辅助分析，实现数据分析处理的自动化。通过对仿真后的数据、图表的分析，为液力变矩器与发动机匹配提供了数据基础。