针对红外气体分析存在的问题,提出光学气体传感器阵列(OGSA)和径向基函数(RBF)神经网络技术相结合的方法,并将其应用于SO2、CO2浓度检测.该方法利用RBF网络非线性逼近功能和OGSA的信息冗余特性,消除非目标参量和目标量之间的交叉干扰.结果表明,SO2引用误差由融合处理前的3.1%降至2.0%,CO2由39%降至8.6%.为红外气体分析提供了一种有效的途径,具有实用前景.

粒子群优化算法（PSO）是基于群体智能的新型进化计算技术，将核函数参数选取问题转换为优化问题，用PSO来进行处理，并将PSO与RBF联合（PSO-RBF）应用于航空和卫星遥感影像的纹理分类，实验结果验证了此方法的有效性。

在化工产品的灌装生产中,大多数的灌装产品都是有毒有害的产品,因此,准确、稳定、快速地控制灌装喷嘴到达料筒上的浇口就显得尤为重要。通过两套丝杠系统控制灌装嘴,实现了灌装嘴从某一位置到到达并对准灌装线随机放置的料筒的注料口的定位控制。针对伺服电机与丝杠结构之间的非线性,以及平面内X轴与￥轴的耦合对控制效率的影响,提出了一种基于模糊RBF神经网络的自抗扰解耦控制方法,实现了丝杠的高效控制从一定位置到在平面上随机放置的料筒的注料口的操作。该方法在某化工厂的实际应用表明,该方法在恶劣环境下具有高效、高精度的定位控制。

龙门式机床主轴箱的热伸长会影响工件的加工精度。分析主轴箱的热刚度机制,运用RBF神经网络的方法建立温升和位移的关系模型。通过测量主轴箱关键点的温度预测该点在下一时刻的温度变化量,进而得出主轴箱热刚度的变化规律。通过对比热刚度的预测值和测量值验证了该建模方法的有效性。

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化(CAPSO)的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明:基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。

为了提高机械臂轨迹跟踪控制的快速性和精确性,提出了基于熵聚类神经网络算法的机械臂运动控制器。分析了RBF神经网络原理,使用熵聚类算法得到原始数据的聚类中心数和聚类中心值,从而确定了神经网络结构和基函数中心值,避免了传统算法中使用K-means方法的重复迭代过程,使用梯度下降法调整神经网络传递权值;将神经网络辨识与神经网络控制相结合提出了机械臂运动控制器;经实验验证可以看出,相比于传统的RBF神经网络方法,基于熵聚类神经网络算法的控制器在轨迹跟踪快速性和精度上均具有明显优势。

针对气动位置伺服系统跟踪控制中系统受压力波动、摩擦力扰动等非线性因素影响较大的特点，该文提出采用RBF神经网络自校正控制器来实现活塞位移的控制，仿真结果表明，这种控制器跟踪速度快，控制精度高。

简介高速电磁开关阀常用模型，分析其特点；给出RBF神经网络用于非线性系统辨识的一般结构与步骤；分析了使用该网络进行高速电磁开关阀模型辨识的结果，同时使用一些未作为训练样本的数据进行验证，并与理想公式的计算结果进行对比。结果表明：即使在高速开关阀的电气与结构参数未知的情况下，仍然可以使用RBF网络辨识出适合实际应用的高速电磁开关阀模型。