论文部分内容阅读
阐述径向基函数（radial base function，RBF）神经网络的基本原理和算法，将其应用于齿轮箱故障诊断与识别，建立齿轮箱的BRF故障诊断模型，并与BP（back propagation）神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明，RBF神经网络性能优于BP神经网络，具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力，非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意，RBF网络的训练样本必须含有一定的噪声，以提高网络的容噪性能；各类故障的训练样本数不