肖哲民 RBF神经网络模型及仿真设计 课程设计

RBF 神经网络模型径向基函数（RBF Radial Basis Function ）神经网络是由J.Moody 和C.Darken 在20世纪80年代末提出的一种神经网络，它是具有单隐层的三层前馈网络。

由于它模拟了人脑中局部调整、相互覆盖接受域（或称感受野-Receptive Field ）的神经网络结构，因此，RBF 网络使一种局部逼近网络，已证明它能以任意精度逼近任意连续函数。

（1） 网络结构RBF 网络是一种三层前向网络，由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而大大加快了学习速度并避免局部极小问题。

RBF 网络结构如下图1所示。

图1 RBF 神经网络结构（2） 被控对象Jacobian 信息的辨识算法在RBF 网络结构中，[]12,,,Tn x x x x = 为网络的输入向量。

设RBF 网络的径向基向量[]12,,,Tm h h h h = ，其中j h 为高斯基函数22exp ,1,2,,2jj j x c h j m b ⎛⎫- ⎪=-= ⎪⎝⎭(1) 其中网络的第j 个节点的中心矢量为12,,1,2,,Tj j j ji jn C c c c c i n ⎡⎤==⎣⎦ 。

设网络的基宽向量为[]12,,,Tm B b b b =j b 为节点j 的基宽度参数，且为大于零的数。

网络的权向量为[]12,,,Tm W w w w ⎡⎤=⎣⎦ (2)辨识网络的输出为()1122m m m y k w h w h w h =+++ (3)辨识器的性能指标函数为my()()()212mJ y k y k =- (4)根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下()()()()j m j w k y k y k h η∆=-()()()()()()112j j j j j w k w k w k w k w k α=-+∆+---()()()()23jj m j jjX C b k y k y k w h bη-∆=-()()()()()112j j j j j b k b k b b k b k α=-+∆+---()()()()2j jiji m jjx c c k y k y k w b η-∆=-()()()()()()112ji ji ji ji ji c k c k c k c k c k α=-+∆+---式中，η为学习速率，α为动量因子。

RBF神经网络设计及其在COD软测量中的应用研究的开题报告一、选题背景随着人类社会的不断发展,化工过程在工业生产中越来越受到重视,尤其是对于其过程控制的需求。

而过程控制的一项重要技术——软测量技术,可以帮助化工生产企业获得更精确的数据,从而实现更高效、更稳定的生产。

因此,探究软测量技术的相关研究成为热点。

近年来,人工神经网络被广泛应用于软测量技术中,其中Radial Basis Function (RBF)神经网络由于其具有全局最优解、容错能力强等特点,在化工领域广泛应用。

RBF神经网络具有良好的适应性、快速的学习速度和优异的接近度等特点,被认为是化工系统建模、预测、控制及优化的有效方法。

二、研究内容本次研究将探究RBF神经网络的理论基础,并结合化工软测量技术的实际应用,设计出基于RBF神经网络的软测量模型。

具体内容包括以下几个方面:1.理论基础研究——介绍人工神经网络基础理论、RBF神经网络原理和优势等,并对其进行深入解析;2.数据采集和处理——收集化工过程中可能涉及的各类数据,进行规范化、归一化等处理,使其符合RBF神经网络的输入要求;3.模型构建和训练——对数据进行划分和训练,构建最优的RBF神经网络模型,使其具有更强的预测能力;4.模型验证和应用——对构建的RBF神经网络模型进行验证,并应用于COD软测量中进行实验,验证其效果。

三、研究方法本研究将采用文献综述法、实验法、分析法、建模法等多种方法进行探究,并结合化工软测量技术实际应用情况,提出合理的RBF神经网络模型构建方案,进而进行实验验证。

四、研究意义本研究旨在通过对RBF神经网络进行深入研究,并结合化工软测量技术的实际应用情况,设计出更加完善的基于RBF神经网络的软测量模型。

此模型不仅能在化工过程控制中提供精确的测量数据,更可以有效提升化工企业的生产效率与竞争力,具有重要的实际应用价值。

五、预期成果1.熟练掌握RBF神经网络的基本原理和模型构建方法;2.设计出分析化工软测量的基于RBF神经网络的模型;3. 根据实验结果对模型进行优化和改进,提升其预测精度;4.文献综述和实验研究的结论。

华北电力大学毕业设计(论文)题目基于RBF神经网络整定的PID控制器设计及仿真基于RBF神经网络整定的PID控制器设计及仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。

然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。

对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。

采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。

因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。

运用MATLAB软件对所设计的RBF神经网络整定的PID控制算法进行仿真研究。

然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。

关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc.Keywords: PID; RBF neural network; Parameter setting目录摘要 (Ⅰ)Abstract (Ⅱ)1 绪论 (1)1.1 课题研究背景及意义 (1)1.2神经网络的发展历史 (3)2 神经网络 (6)2.1神经网络的基本概念和特点 (6)2.2人工神经网络构成的基本原理 (7)2.3神经网络的结构 (8)2.3.1前馈网络 (8)2.3.2 反馈网络 (8)2.4神经网络的学习方式 (9)2.4.1监督学习(有教师学习) (9)2.4.2非监督学习(无教师学习) (9)2.4.3再励学习(强化学习) (9)2.5 RBF神经网络 (10)2.5.1 RBF神经网络的发展简史 (10)2.5.2 RBF的数学模型 (10)2.5.3被控对象Jacobian信息的辨识算法 (11)2.5.4 RBF神经网络的学习算法 (12)2.6 本章小结 (14)3 PID控制器 (14)3.1 PID控制器简介 (14)3.2 经典PID控制原理 (14)3.3 现有PID控制器参数整定方法 (16)3.4 PID控制的局限 (17)3.5本章小结 (17)4 基于RBF神经网络整定的PID控制器设计 (17)4.1 RBF神经网络的PID整定原理 (17)4.2 神经网络PID控制器的设计 (18)4.3 本章小结 (19)5 仿真分析 (19)5.1 系统的稳定性分析 (19)5.2 系统抗干扰能力分析 (21)5.3 系统鲁棒性分析 (22)5.4 本章小结 (24)结论 (25)参考文献 (26)致谢 (27)附录仿真程序 (28)1 绪论1.1 课题研究背景及意义PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。

青年与社会　2014年6月上　第16期总第562期人工神经网络（ANN-Artificial Neural Network）是一种与传统计算机系统不同的信息处理工具，具有人脑的某些功能特征，可用来解决模式识别与人工智能中用传统方法难以解决的问题。

神经网络具有高度的自学习、自组织和自适应能力，通过学习和训练网络模型的输入、输出数据就可以获得网络的权值和结构，从而得出隐含在输入、输出数据中的关系。

这种关系隐含在神经网络内部，它不需要知道具体的精确模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出之间的关系，这种非线性映射能力在人工智能、模式识别、信息处理等工程领域得到了广泛的应用。

随着神经网络理论研究和实际应用的不断深入，《人工神经网络》课程逐渐受到较多高校的重视，并将其列入教学计划，成为电气信息类学科的一门专业选修课。

但《人工神经网络》课程的理论性非常强，对本科生的教学具有一定的难度。

作为入门课程，本科生的教学重点应放对各种网络模型的结构和特点的理解，并结合应用实例，使学生能够获取一些初步设计经验的基础上，掌握有关模型的用法和性能。

因此，笔者以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解。

一、RBF神经网络RBF网络可以根据问题确定相应的网络拓扑结构，学习速度快，不存在局部最小问题。

RBF网络的优良特性使得它基于Matlab的RBF神经网络设计与仿真试验石　岩（重庆科技学院　电气工程系，重庆　401331）【摘　要】人工神经网络是一门理论性很强而又应用广泛的课程，将神经网络应用于本科毕业设计能促进高校培养出工程应用型人才。

文章利用MATLAB平台将实验仿真教学与理论学习相结合，以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解和应用设计能力。

　【关键词】Matlab；RBF神经网络；仿真试验经济等原因所迫，不得已把子女留于家乡，而自己在外打工。

RBF神经网络课程设计一、课程目标知识目标：1. 学生能理解RBF神经网络的基本概念，掌握其结构和原理。

2. 学生能掌握RBF神经网络的训练过程，了解径向基函数的选择和应用。

3. 学生能了解RBF神经网络在模式识别、函数逼近等领域的应用。

技能目标：1. 学生能运用RBF神经网络进行数据分类和拟合，解决实际问题。

2. 学生能通过编程实践，掌握RBF神经网络的实现方法。

3. 学生能通过案例分析和团队合作，提高问题解决能力和沟通能力。

情感态度价值观目标：1. 学生对神经网络及其应用产生兴趣，培养探究精神和创新意识。

2. 学生在团队合作中，学会尊重他人意见，培养协作精神和集体荣誉感。

3. 学生能认识到RBF神经网络在现实生活中的价值，增强社会责任感和使命感。

课程性质分析：本课程为高中信息技术课程，旨在让学生了解RBF神经网络的基本原理和应用，培养其信息技术素养。

学生特点分析：高中学生具备一定的数学基础和编程能力，对新技术和新知识具有较强的求知欲和探究精神。

教学要求：1. 结合课本内容，注重理论与实践相结合，提高学生的实际操作能力。

2. 创设问题情境，引导学生主动探究，培养学生的创新意识。

3. 强化团队合作，提高学生的沟通能力和协作精神。

二、教学内容1. RBF神经网络基本概念：神经网络概述，RBF神经网络的结构与特点。

2. 径向基函数：径向基函数的定义，常用径向基函数类型及其性质。

3. RBF神经网络的训练：训练算法（如最小二乘法、正则化最小二乘法等），参数调整策略。

4. RBF神经网络的实现：编程语言（如Python、MATLAB等）实现RBF神经网络，案例分析。

5. RBF神经网络的应用：模式识别、函数逼近、分类与回归等领域的应用案例。

6. 实践与拓展：实际数据集上的RBF神经网络应用，团队合作完成项目任务，拓展学生对RBF神经网络的认识。

教学内容安排与进度：1. 第一周：神经网络概述，RBF神经网络基本概念，径向基函数。

基于Matlab的RBF神经网络设计与仿真试验作者：石岩来源：《青年与社会》2014年第16期【摘要】人工神经网络是一门理论性很强而又应用广泛的课程，将神经网络应用于本科毕业设计能促进高校培养出工程应用型人才。

文章利用MATLAB平台将实验仿真教学与理论学习相结合，以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解和应用设计能力。

【关键词】Matlab；RBF神经网络；仿真试验人工神经网络（ANN-Artificial Neural Network）是一种与传统计算机系统不同的信息处理工具，具有人脑的某些功能特征，可用来解决模式识别与人工智能中用传统方法难以解决的问题。

神经网络具有高度的自学习、自组织和自适应能力，通过学习和训练网络模型的输入、输出数据就可以获得网络的权值和结构，从而得出隐含在输入、输出数据中的关系。

这种关系隐含在神经网络内部，它不需要知道具体的精确模型，只需用神经网络就能逼近输入和输出之间的多维非线性特性，从而建立输入与输出之间的关系，这种非线性映射能力在人工智能、模式识别、信息处理等工程领域得到了广泛的应用。

随着神经网络理论研究和实际应用的不断深入，《人工神经网络》课程逐渐受到较多高校的重视，并将其列入教学计划，成为电气信息类学科的一门专业选修课。

但《人工神经网络》课程的理论性非常强，对本科生的教学具有一定的难度。

作为入门课程，本科生的教学重点应放对各种网络模型的结构和特点的理解，并结合应用实例，使学生能够获取一些初步设计经验的基础上，掌握有关模型的用法和性能。

因此，笔者以RBF神经网络为例设计仿真试验，通过实例增强学生的对神经网络模型的设计和仿真的认识，加深学生神经网络理论的理解。

一、RBF神经网络RBF网络可以根据问题确定相应的网络拓扑结构，学习速度快，不存在局部最小问题。

RBF网络的优良特性使得它正显示出比BP网络更强的生命力，正在越来越多的领域替代了BP网络。

实验四、RBF神经网络实验报告第一篇：实验四、RBF神经网络实验报告实验四、RBF神经网络一、实验目的通过计算机编程实现并验证RBF神经网络的曲线拟合及模式分类能力。

二、实验内容1）用Matlab实现RBF神经网络，并对给定的曲线样本集实现拟合；2）通过改变实验参数，观察和分析影响RBF神经网络的结果与收敛速度的因素；三、实验原理、方法和手段RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

简单说明一下为什么RBF网络学习收敛得比较快。

当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。

由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。

BP网络就是一个典型的例子。

如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。

常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。

径向基函数解决插值问题完全内插法要求插值函数经过每个样本点，即有P个。

RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，各基函数形式为，由于距离是径向同性的，因此称为径向基函数。

样本点总共||X-Xp||表示差向量的模，或者叫2范数。

基于为径向基函数的插值函数为：输入X是个m维的向量，样本容量为P，P>m。

可以看到输入数据点Xp是径向基函数φp的中心。

隐藏层的作用是把向量从低维m映射到高维P，低维线性不可分的情况到高维就线性可分了。

将插值条件代入：写成向量的形式为维度无关，当Φ可逆时，有，显然Φ是个规模这P对称矩阵，且与X的。

对于一大类函数，当输入的X各不相同时，Φ就是可逆的。

下面的几个函数就属于这“一大类”函数：1）Gauss（高斯）函数2）Reflected Sigmoidal（反常S型）函数3）Inverse multiquadrics（拟多二次）函数σ称为径向基函数的扩展常数，它反应了函数图像的宽度，σ越小，宽度越窄，函数越具有选择性。

RBF神经网络的结构动态优化设计RBF神经网络的结构动态优化设计1. 前言随着人工智能技术的快速发展，神经网络在各个领域中得到了广泛应用。

RBF（Radial Basis Function）神经网络作为一种常见的神经网络模型，在模式识别、函数拟合等问题中具有广泛的应用前景。

然而，在实际应用中，如何优化RBF神经网络的结构是一个值得研究的问题。

本文旨在探讨RBF神经网络的结构动态优化设计，以提升其性能和应用效果。

2. RBF神经网络的基本原理RBF神经网络是一种三层前向神经网络，包含输入层、隐含层和输出层。

其基本原理如下：（1）输入层：接收外部输入的信号，并对其进行预处理和特征提取。

一般情况下，输入层的神经元节点数等于输入向量的维度。

（2）隐含层：由一系列径向基函数(Radial Basis Function)神经元构成，用于对输入信号进行非线性映射。

根据径向基函数的不同选择，可以得到不同的RBF神经网络模型。

（3）输出层：由线性输出神经元组成，负责将隐含层的输出映射到最终的输出空间，实现模式识别和函数拟合的功能。

3. RBF神经网络的结构优化方法为了进一步提升RBF神经网络的性能，需要对其结构进行优化设计。

以下是一些常用的RBF神经网络结构优化方法：（1）确定隐含层的神经元个数：隐含层的神经元个数决定了RBF神经网络的复杂度和拟合能力。

过多的神经元可能导致过拟合的问题，而过少的神经元可能无法充分表达数据的特征。

一种常用的方法是通过交叉验证等技术，综合考虑模型的复杂度和拟合效果，选择合适的隐含层神经元个数。

（2）确定径向基函数的类型和参数：径向基函数的类型和参数选择对RBF神经网络的性能影响较大。

常见的径向基函数包括高斯函数、多项式函数等。

通过试验和分析，选择合适的径向基函数类型和参数可以提升RBF神经网络的拟合能力和泛化性能。

（3）优化权重矩阵的学习算法：权重矩阵是RBF神经网络中非常重要的参数，直接关系到模型的拟合效果和泛化能力。

课程设计任务书课程名称：专业综合实验及设计题目：RBF神经网络模型及仿真设计学院：信息工程学院系：自动化专业：自动化班级：自动化062学号：6101206078学生姓名：肖哲民起讫日期：2010.1.06——2008.1.20指导教师：曾芸职称：系分管主任：审核日期：说明1.课程设计任务书由指导教师填写，并经专业学科组审定，下达到学生。

2.进度表由学生填写，交指导教师签署审查意见，并作为课程设计工作检查的主要依据。

3.学生根据指导教师下达的任务书独立完成课程设计。

4.本任务书在课程设计完成后，与论文一起交指导教师，作为论文评阅和课程设计答辩的主要档案资料。

目录1．课程设计目的 (3)2．课程设计题目描述和要求 (3)3．课程设计原理 (3)4．设计内容 (8)5．心得体会 (11)6．参考文献 (12)一、课程设计目的：1、综合运用所学课程的理论知识和实践知识进行仿真设计，培养学生理论与实际相结合能力，并使所学知识得到进一步巩固、加强和发展。

2、培养学生分析和解决仿真设计问题的能力，树立正确的设计思想，掌握仿真设计的基本方法和步骤，对仿真设计有个较全面的认识。

3、要求学生熟悉常见的人工神经网络的结构和特性，包括智能系统描述模型、人工神经网络方法的特点，并重点对RBF神经网络进行较全面的认识和了解，并能进行相关的模型及仿真设计。

二、课程设计题目描述和要求：1、题目描述：运用智能控制中所学到的理论知识以及查阅的相关文献资料为指导以MATLAB软件为工具独立完成RBF神经网络模型的建立及仿真设计。

2、设计要求：（1）RBF神经网络模型及原理。

(2)主要采用智能控制原理，实现RBF神经网络的建立，完成算法以及matlab程序的编辑以及仿真的相关图形。

三、课程设计原理：RBF(RBF-Radial Basis Function)神经网络是一种前馈式神经网络(Feedforward Neural Networks)。

大连科技学院毕业设计 (论文) 题目基于RBF神经网络电机模型的建立学生姓名吕永鹏专业班级电气11-2班指导教师李文职称教授所在单位电气工程系电气工程教研室教研室主任赵丽娜完成日期 2015年 7月 3日摘要电动机作为最广泛使用的电源设备和驱动装置，在各行各业和人们的日常生活中起着重要的作用。

同时，电动机的安全运行一直受到人们的关注。

由于电动机的使用环境，负载特性和电机是一套电磁一体化装置，故而建立电机模型使复杂的电机故障类型变得简单。

这是研究电机故障诊断的一种有效方法。

在文献研究基础上，本文分析了电机的主要故障类型和故障特点进行了介绍。

基于小波变换的电机振动信号的能量特征向量提取方法，并详细使用的电机故障诊断模型的输入向量形式的方法。

基于神经网络不同的特点和比较分析常见故障诊断结构模型，描述了一个多输入单输出的三层RBF神经网络对故障模型的构建方法表征的使用是基于RBF 神经网络的模块化电机故障诊断模型。

该模型具有模型的结构特点，它提供了简单的结构条件，训练速度快，故障具有很好的识别等。

RBF神经网络的结构以及该模型的训练和测试方法进行了详细的讨论了。

通过对影响故障诊断模型的分类能力因素的实证分析，根据故障模型的输入能量比特征向量，提出了一种改进的故障特征识别能力的模型特征增强算法。

对由三个子模型组成电机的故障诊断模型的训练和测试过程进行了详细的描述的。

训练和测试结果表明，本文提出的基于RBF神经网络的电机故障诊断模型模块具有灵活的结构，训练简单、易于收敛性的分类和性能好等特点。

关键词：电机故障诊断特征提取与强化RBF神经网络ABSTRACTAs the most widely used power equipment and driving device, the motor plays an important role in the daily life of all walks of life and people's daily life. At the same time, the safe operation of the motor has been concerned by people. Due to the use of the motor environment, load characteristics and motor is a set of electromagnetic integration device, and therefore the establishment of the motor model to make complex motor fault types become simple. This is an effective method to study the fault diagnosis of motor.On the basis of literature research, this paper analyzes the main failure types and characteristics of the motor. Energy feature vector extraction method based on wavelet transform for motor vibration signal, and the method of using the input vector form of motor fault diagnosis model in detail.Based on the neural networks with different characteristics and comparative analysis of common fault diagnosis model, describes a multi input single output three-layer RBF neural network on fault model construction characterization method is based on RBF neural network module of motor fault diagnosis model. The model has the characteristics of the model, which provides a simple structural condition, fast training speed and good identification. The structure of the RBF neural network as well as the training and testing methods of the model are discussed in detail.Through the classification ability factors to influence the fault diagnosis model of empirical analysis, according to the fault model of the input energy ratio feature vector, the model features an improved fault feature recognition ability enhancement algorithm.A detailed description of the training and testing process of the fault diagnosis model for the fault diagnosis model of the motor is carried out by three sub models. The training and testing results show that the proposed in this paper based on RBF neural network motor fault diagnosis model has flexible structure and training is simple, easy to convergence of the classification and performance is good wait for a characteristic.Key words: motor fault diagnosis feature extraction and enhancement RBF neural network目录1 前言 (1)1.1 课题的来源和意义 (1)1.2 课题的国内外现状 (2)1.3 研究目标 (2)1.4 拟采取的研究方法和实现的可行性论证 (2)2 感应电机故障常见检测方法简介 (3)2.1 感应电机主要故障 (3)2.2 感应电机常见故障检测方法 (4)3 RBF神经网络简介 (6)3.1 RBF神经网络的结构 (6)3.2 RBF神经网络的优点 (7)3.3 RBF神经网络的训练算法 (7)4 基于RBF神经网络的电机故障诊断模型 (12)4.1 电机故障诊断模型的建立 (12)4.1.1 故障诊断模型结构 (12)4.1.2 电机故障诊断模型方法简介 (13)4.2 电机故障数据采集与特征提取 (16)4.2.1 故障数据的采集 (16)4.2.2 故障特征提取 (18)4.2.3 样本集的建立 (18)4.3 电机故障诊断模型的训练 (20)4.3.1 训练算法 (20)4.3.2 数据特征强化 (21)4.3.3 子模型的训练 (22)4.4 故障诊断模子型诊断的测试 (24)总结 (26)谢辞 (27)参考文献 (28)1 前言1.1 课题的来源和意义基于RBF神经网络的电机故障模型建立的设计对于电气工程及其自动化专业的学生而言是与时俱进、涵盖知识面广的课题。