摘要：针对利用神经网络进行机械故障分类，以及网络权重的训练问题，依据系统辨识的理论，将RBF网络看作非线性系统。在机械故障分类中，可将RBF函数中心参数和网络权重的训练作为系统参数，进行故障辨识。在故障分类过程中，采用了在估计参数附近进行Taylor级数线性化，利用参数增广和统计动力学方法，构造线性状态空间方程，用扩展Kalman滤波算法（EKF）进行参数估计。RBF网络用典型的齿轮故障信息对其进行训练，并与传统的梯度下降法（Gradient Descent）相比较，结果表明，用Kalman算法训练RBF网络，不仅具有较好的精度，而且避免了传统算法存在的梯度消失，提高了网络的收敛速度。

原文链接:http://www.cqvip.com//QK/97495X/200804/29183708.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）