基于改进自构形学习算法的RBF网络结构优化

RBF网络中的隐层神经元的数目直接影响着整个网络的性能和效率,因而对RBF网络的结构优化是一个非常必要的环节。本文先采用分步式训练构造初始RBF网络,然后利用改进的神经网络自构形学习算法对所构造的RBF网络的隐层进行优化,最后通过实验结果的分析与对比,验证改进的神经网络自构形学习算法对RBF网络优化的有效性。     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

带优选聚类算法的 RBF 网络辨识器及应用

以RBF神经网络为模型框架，解决非线性系统的辨识问题。针对RBF网络的结构辨识问题，提出一种优选聚类算法，并用该算法，依据输入样本优选确定RBF神经网络的隐含层节点个数，采用新型二阶递推学习算法估计RBF网络中的参数和权值。上述混合算法，同时解决了RBF网络结构和参数辨识问题，大大提高了RBF网络的建模和预测精度。应用实例表明了所提出方案的有效性。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

醇解度预测的神经网络模型研究

针对聚乙烯醇生产过程的醇解度预测问题,建立神经网络模型;对醇解度的影响因素进行了研究,讨论了输入层、输出层、隐含层等神经元的设置及网络训练的参数,比较了梯度下降BP算法、动量-自适应学习速率调整算法、Levenberg-Marquardt BP算法三种不同的训练算法在本问题上的优劣,并与RBF网络相比较,综合考虑训练时间、训练精度、泛化能力等条件,动量一自适应学习速率调整算法是最适合醇解度预测的,并基于动量-自适应学习速率调整算法建立了神经网络模型;将模型应用于醇解度预测系统,系统实际运行情况表明,利用神经网络模型预测醇解度是可行有效的.     

PSO算法和神经网络的入侵检测系统设计

针对入侵检测系统检测率低,整体性能不好的问题,在探讨入侵检测技术和人工神经网络理论的基础上,提出了一种基于PSO算法优化的径向基函数神经网络的入侵检测系统,采用具有全局寻优的功能PSO算法,该算法能够改进传统的RBF神经网络学习策略,弥补RBF神经网络参数设置的不足,采用了来自KDD CUP99的权威数据来进行网络学习和测试,在此基础之上,进行了入侵检测系统的设计与实现,实验结果表明,基于PSO和RBF神经网络的人侵检测系统有效地提高了入侵检测的效率.     

具有多类型激活函数的RBF网络设计

提出多类型激活函数的径向基网络结构设计方式,网络隐层由薄板样条函数节点和高斯函数节点构成,分别采用改进的粒子群算法和前向局部优化算法对两种类型节点的参数进行学习.改进的粒子群算法综合运用粒子运动过程的启发式信息和样本的梯度信息进行种群迭代,减小了陷入局部极值的概率.前向局部优化算法是一种高斯节点的序贯学习算法,算法采用DFP方法对新增高斯节点的参数进行局部优化,提高了网络的逼近性能.通过解析和工程算例验证了多类型激活函数RBF网络的高拟合能力及其学习算法的有效性.     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限，容易陷入局部最优点的缺陷，提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法，将RBF神经网络的参数组成一个多维向量，作为算法中的粒子进行进化，由此在可行解空间范围内搜索最优解。实例仿真表明，该学习算法相比于传统的学习算法计算简单，收敛速度快，并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于遗传算法的RBF神经网络的优化设计方法

该文提出了一种新的RBF神经网络的设计方法，采用遗传算法对RBF神经网络的隐层节点中心值进行进化优选，用自适应梯度下降法选择隐层节点高斯函数的宽度，用递推的最小二乘法训练RBF神经网络的权值，仿真结果证明了该方法的有效性。     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

径向基函数神经网络的新型混合递推学习算法

从径向基函数网络的硬件实现和实时应用的角度出发，给出了RBF网络的一种新型混合递推学习算法．该算法既具有良好的数值性质又易于并行实现．把RBF网络用于非线性系统在线辨识，仿真结果显示了本文方法的有效性．     

径向基函数神经网络的一种两级学习方法

建立RBF(radial basis function)神经网络模型关键在于确定网络隐中心向量、基宽度参数和隐节点数.为设计结构简单,且具有良好泛化性能径向基网络结构,本文提出了一种RBF网络的两级学习新设计方法.该方法在下级由正则化正交最小二乘法与D-最优试验设计结合算法自动构建结构节俭的RBF网络模型;在上级通过粒子群优化算法优选结合算法中影响网络泛化性能的3个学习参数,即基宽度参数、正则化系数和D-最优代价系数的最佳参数组合.仿真实例表明了该方法的有效性.     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明明：该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。     

Efficacy of utilizing a hybrid algorithmic method in enhancing the functionality of multi-instance multi-label radial basis function neural networks

The facts show that multi-instance multi-label (MIML) learning plays a pivotal role in Artificial Intelligence studies. Evidently, the MIML learning introduces a framework in which data is described by a bag of instances associated with a set of labels. In this framework, the modeling of the connection is the challenging problem for MIML. The RBF neural network can explain the complex relations between the instances and labels in the MIMLRBF. The parameters estimation of the RBF network is a difficult task. In this paper, the computational convergence and the modeling accuracy of the RBF network has been improved. The present study aimed to investigate the impact of a novel hybrid algorithm consisting of Gases Brownian Motion optimization (GBMO) algorithm and the gradient based fast converging parameter estimation method on multi-instance multi-label learning. In the current study, a hybrid algorithm was developed to estimate the RBF neural network parameters (the weights, widths and centers of the hidden units) simultaneously. The algorithm uses the robustness of the GBMO to search the parameter space and the efficiency of the gradient. For this purpose, two real-world MIML tasks and a Corel dataset were utilized within a two-step experimental design. In the first step, the GBMO algorithm was used to determine the widths and centers of the network nodes. In the second step, for each molecule with fixed inputs and number of hidden nodes, the parameters were optimized by a structured nonlinear parameter optimization method (SNPOM). The findings demonstrated the superior performance of the hybrid algorithmic method. Additionally, the results for training and testing the dataset revealed that the hybrid method enhances RBF network learning more efficiently in comparison with other conventional RBF approaches. The results obtain better modeling accuracy than some other algorithms.     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

Application of temporal difference learning rules in short‐term traffic flow prediction

Studying dynamic behaviours of a transportation system requires the use of the system mathematical models as well as prediction of traffic flow in the system. Therefore, traffic flow prediction plays an important role in today's intelligent transportation systems. This article introduces a new approach to short‐term daily traffic flow prediction based on artificial neural networks. Among the family of neural networks, multi‐layer perceptron (MLP), radial basis function (RBF) neural network and wavenets have been selected as the three best candidates for performing traffic flow prediction. Moreover, back‐propagation (BP) has been adapted as the most efficient learning scheme in all the cases. It is shown that the coefficients produced by temporal signals improve the performance of the BP learning (BPL) algorithm. Temporal signals provide researchers with a new model of temporal difference BP learning algorithm (TDBPL). The capability and performance of TDBPL algorithm are examined by means of simulation in order to prove that the wavelet theory, with its multi‐resolution ability in comparison to RBF neural networks, is a suitable algorithm in traffic flow forecasting. It is also concluded that despite MLP applications, RBF neural networks do not provide negative forecasts. In addition, the local minimum problems are inevitable in MLP algorithms, while RBF neural networks and wavenet networks do not encounter them.     

基于傅里叶描述子RBFNN有杆泵井故障诊断

在对有杆泵井进行故障诊断过程中,采用了具有很强轮廓形状识别能力的傅里叶描述子作为RBFNN（径向基函数神经网络）的输入向量特征提取,通过分析比较基于梯度下降法和遗传算法的RBF网络各自特点,提出了一种基于傅里叶描述子的分层循环学习RBFNN算法。通过对非线性函数逼近的仿真实验证明了所提算法是准确有效的,最后利用MATLAB神经网络工具箱,建立分层学习算法的网络模型实现对有杆泵井的故障诊断,通过仿真测试验证了所提出的故障诊断方法能够准确地判断出有杆泵井故障类型。