一种结构自适应径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该网络中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

基于SVM的改进RBF网络板形模式识别方法

为了提高带钢生产中板形模式识别精度，提出了基于支持向量机（sVM）的改进径向基（RBF）网络板形模式识别方法，由SVM回归确定RBF网络优化的初始参数，解决了传统方法存在的学习时间长、易陷入局部极小值等问题。此外，分别将输入样本与一对互反的基本模式问的模糊距离之差作为RBF网络的三个输入，使输入节点减少一半，进一步简化了网络模型。实验表明，该方法有效地提高了模式识别精度和速度，可推广到其他具有两两互反性基本模式的模式识别系统中。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

采用中心聚类与PSO的RBF网络设计方法

基于中心聚类法与微粒群（PSO）优化方法,提出一种径向基函数（RBF）网络的设计算法。算法采用中心聚类方法对输入样本数据进行聚类处理,自适应地确定RBF网络隐含层的初始参数;利用修正全局最优解计算方法的经典PSO算法优化RBF网络隐含层参数,进一步修正网络结构参数;输出层权值采用带遗忘因子的递推最小二乘算法在线更新。采用该方法建立炼铁过程中烧结矿成分与转鼓强度关系的预测模型,并用现场数据加以验证;实验结果表明该方法收敛速度快,所建立的模型具有较高的预测精度,可用于复杂非线性系统建模。     

基于模糊支持向量机的语音识别方法

通过计算输入样本的模糊隶属度，探讨了模糊支持向量机（FSVM）的原理，应用其对语音信号进行识别。并和RBF神经网络、支持向量机（SVM）的识别效果进行了比较。在仿真实验中，采用小波分析方法提取语音特征向量，识别结果表明，SVM和FSVM比RBF网络具有较好的泛化性能，训练时间也大大缩减。此外，FSVM比SVM有更强的抵抗噪声的能力。     

二阶 Newton 法训练径向基函数神经网络的算法研究

提出了一种混合加权距离测量（weighted distance measure ,weighted DM ）参数的构建和训练RBF（radial basis function）神经网络的两步批处理算法。该算法在引进了 DM 系数参数的基础上,采用Newton 法分别对径向基函数的覆盖参数、均值向量参数、加权距离测度系数以及输出权值进行了优化,并在优化过程中利用 OLS（orthogonal least squares）法来求解 New ton 法的方程组。通过实验数据,不仅分析了 New ton 法优化的各个参数向量对 RBF 网络训练的影响,而且比较了混合优化加权 DM 与RLS‐RBF（recursive least square RBF neural network）网络训练算法的收敛性和计算成本。所得到的结论表明整合了优化参数的加权 DM‐RBF 网络训练算法收敛速度比 RLS‐RBF 网络训练算法更快,而且具有比 LM‐RBF （Levenberg‐Marquardt RBF ）训练算法更小的计算成本,从而说明 OLS 求解的Newton 法对优化 RBF 网络参数具有重要应用价值。     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

一种改进的神经网络板形模式识别方法

本文提出了一种改进的神经网络板形模式识别方法,该方法基于支持向量机(SVM)与径向基(RBF)网络的结构等价性,利用SVM的回归确定RBF网络较优的初始参数,解决了传统神经网络模式识别方法存在的网络学习时间长,易陷入局部极小值等问题。此外,由于板形标准模式具有两两互反性,将输入样本与基本模式的模糊距离差作为网络输入,使输入节点减少一半,近一步实现了网络结构的固定化和简单化。实验表明,它提高了板形识别精度和速度,可推广到其他标准模式具有两两互反性的模式识别中。     

Support vector machine with adaptive parameters in financial time series forecasting

A novel type of learning machine called support vector machine (SVM) has been receiving increasing interest in areas ranging from its original application in pattern recognition to other applications such as regression estimation due to its remarkable generalization performance. This paper deals with the application of SVM in financial time series forecasting. The feasibility of applying SVM in financial forecasting is first examined by comparing it with the multilayer back-propagation (BP) neural network and the regularized radial basis function (RBF) neural network. The variability in performance of SVM with respect to the free parameters is investigated experimentally. Adaptive parameters are then proposed by incorporating the nonstationarity of financial time series into SVM. Five real futures contracts collated from the Chicago Mercantile Market are used as the data sets. The simulation shows that among the three methods, SVM outperforms the BP neural network in financial forecasting, and there are comparable generalization performance between SVM and the regularized RBF neural network. Furthermore, the free parameters of SVM have a great effect on the generalization performance. SVM with adaptive parameters can both achieve higher generalization performance and use fewer support vectors than the standard SVM in financial forecasting.     

基于GA优选参数的RBF神经网络水质评价

为进一步提高多光谱图像水质反演的评价精度,提出一种基于遗传算法(GA)优选参数的径向基函数(RBF)神经网络水质评价方法.利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,得到符合条件且具有代表性的4类水质变量,对RBF神经网络进行训练和测试,用遗传算法对RBF神经网络的参数进行优化.在训练好的RBF神经网络模...     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。     

Affine modeling of nonlinear multivariable processes using a new adaptive neural network-based approach

This paper presents a new method for on-line identification of exact affine model for multivariable processes with nonlinear and time-varying behaviors. A self-generating radial basis function (RBF) neural network trained by growing and pruning algorithm for RBF (GAP–RBF) is utilized for deriving the affine model. The extended Kalman filter (EKF) is used for parameter adaptation in the GAP–RBF neural network. The growing and pruning criteria of the original GAP–RBF have been modified with the objective to enhance its performance in on-line identification. Simulation results on two nonlinear multivariable CSTR benchmark problems show an excellent performance of the proposed approach, incorporated with the modified GAP–RBF (MGAP–RBF) neural network, for affine modeling.     

基于灰色关联分析与RBF的图像分割算法

传统基于灰色关联分析的图像分割算法存在很多错分、漏分的情况。为此,提出一种基于灰色关联分析和径向基函数(RBF)网络的分割算法。采用量子遗传算法对RBF网络进行优化,通过灰色关联分析提取待处理图像的边缘信息,识别噪声点与非噪声点,以此作为优化后RBF网络的输入,利用该网络良好的逼近能力纠正错分和漏分像素点。实验结果证明,与传统算法相比,该算法的分割效果更优,且能进一步提高抗噪性能。     

支持向量机与RBF神经网络回归性能比较研究

支持向量机与RBF神经网络相比各有优缺点,通过对支持向量机与RBF神经网络的研究,从理论上分析了这两种学习机在回归预测原理上的异同,通过仿真实验对比了两者在测试集上的逼近能力及泛化能力。仿真结果表明,对于小样本集,支持向量机的逼近能力及泛化能力要优于RBF神经网络。对实际应用中回归模型的选择问题提出了建议。     

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数（RBF）神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.     

Financial distress prediction using support vector machines: Ensemble vs. individual

Financial distress prediction (FDP) is of great importance to both inner and outside parts of companies. Though lots of literatures have given comprehensive analysis on single classifier FDP method, ensemble method for FDP just emerged in recent years and needs to be further studied. Support vector machine (SVM) shows promising performance in FDP when compared with other single classifier methods. The contribution of this paper is to propose a new FDP method based on SVM ensemble, whose candidate single classifiers are trained by SVM algorithms with different kernel functions on different feature subsets of one initial dataset. SVM kernels such as linear, polynomial, RBF and sigmoid, and the filter feature selection/extraction methods of stepwise multi discriminant analysis (MDA), stepwise logistic regression (logit), and principal component analysis (PCA) are applied. The algorithm for selecting SVM ensemble's base classifiers from candidate ones is designed by considering both individual performance and diversity analysis. Weighted majority voting based on base classifiers’ cross validation accuracy on training dataset is used as the combination mechanism. Experimental results indicate that SVM ensemble is significantly superior to individual SVM classifier when the number of base classifiers in SVM ensemble is properly set. Besides, it also shows that RBF SVM based on features selected by stepwise MDA is a good choice for FDP when individual SVM classifier is applied.     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。