液滴分析仪是一种利用光纤电容液滴分析技术来进行液体分类和鉴别的工具,其主要原理是将液体形成液滴的过程中的物理方面的变化转换为光纤电压信号和电容电压信号,并且将这两类信号融合绘制成液滴指纹图,通过分析液滴指纹图,提取出相关的特征向量,最后设计并训练出分类器以进行液体的分类和鉴别。通过对整体流程分析可知,分类器即液体细分器的设计与实现是液滴分析仪的核心,分类器的性能对于液体分析仪的性能具有决定性的作用。目前有很多方法已被引入到分类器的设计中,例如BP神经网络以及模糊模式识别等等,然而这些方法均存在某种程度上的不足：BP神经网络应用广泛且识别率高,但网络收敛速度缓慢,模糊模式识别虽然在边界模糊的情况下能够正确识别样本,但整体技术并不十分成熟。因而本文将RBF神经网络引入液体细分器的设计以及实现过程中,该方法能够在保证较高识别率的情况下,大幅度缩减网络训练所耗费的时问。本文详细介绍了RBF神经网络的基本原理,以及利用MATLAB神经网络工具箱来进行网络设计和训练测试的过程。本文中将高斯核函数作为RBF神经网络的径向基函数,同时利用k均值聚类算法来计算高斯核函数的中心,以提高网络的识别率。本文还提出将遗传算法与k均值结合进行高斯核函数中心点的选择和计算,以提高RBF神经网络的识别率,设计出最优的RBF神经网络液体细分器。实验表明,利用RBF神经网络来进行液体细分器的设计是完全可行,而且能够有比较理想的分类结果。最后,本文提出了基于Matlab的RBF神经网络液体细分器实验平台的设计与搭建。该实验平台能够实现网络的设计与训练过程,即从文本文件中加载样本,进行网络的设计与训练。