基于聚类算法的RBF神经网络设计综述

简要分析了径向基函数（RBF）神经网络。在此基础上,介绍了K-均值聚类算法的神经网络、C-均值聚类算法的神经网络和PAM聚类算法的神经网络三种聚类算法的RBF神经网络。展望了基于聚类的RBF神经网络设计的发展趋势。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。     

一种RBF神经网络的混合学习算法在CPI中的应用

根据RBF神经网络最常用的OLS算法、K-均值聚类算法和梯度下降训练学习算法,提出了一种基于正交最小二乘K-均值聚类梯度下降优化的RBF神经网络的混合算法。该算法克服了单一某种训练方法的不足,发挥了混合算法的长处,进行了CPI预测的仿真实验。结果证明：该方法是有效实用。     

改进RBFNN求机械臂轨迹跟踪的研究

为了使机械臂准确跟踪目标轨迹,达到控制精度高、实时性好的目的,提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数,对其参数进行改进和优化,同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。     

基于T—S模型的聚丙烯优化控制

针对模糊控制表达能力强,但学习能力、适应性差的特点,提出在聚合反应过程的温度控制系统中使用模糊控制与神经网络相结合的控制方案,控制方案给出了基于Takagi-Sugeno模型的神经模糊网络结构以及优化模糊规则和隶属函数的学习算法;仿真研究表明,神经模糊网络可以根据输入数据的分布情况,自动修改模糊规则的加权系数和隶属函数,克服了单纯的模糊控制其控制规则和隶属函数一经得到就固定不变的缺陷,具有较强的适应能力和学习能力,较单纯的模糊控制有更高的控制精度.     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。     

基于蚁群聚类的自适应神经网络算法

针对模糊神经网络结构辨识问题,提出了一种基于蚁群聚类的自适应神经网络算法。利用蚁群聚类算法确定模糊神经网络的初始结构,在网络的学习过程中,采用误差反向传播学习算法对网络的参数和结构进行优化,达到自适应调整权值参数和结构的目的。最后,针对非线性函数遥近问题进行了验证。通过仿真试验证明该方法取得了很好的结果,系统的逼近精度明显提高,而且网络的自适应能力强,并可以将其有效地用于模糊建模和控制问题的求解。     

基于距离和密度聚类的RBF网络结构设计

为确定径向基函数RBF(radial basis function)神经网络隐含层结构,并针对基于距离或密度聚类的RBF神经网络的限制,提出一种基于距离和密度聚类(GDD)算法的RBF神经网络。GDD算法通过计算每个样本的密度,各样本间的距离及相似条件(密度标准、距离标准),相似条件是根据样本分布而改变的,进行样本空间划分,实现无需先验知识及参数,就可以精确识别任意形状的聚类。采用GDD算法聚类,RBF神经网络能确定合适的隐含层节点个数及径向基函数中心。对典型非线性函数逼近及UCI机器学习库实例样本进行实验,结果表明基于GDD算法设计的RBF神经网络具有良好的逼近能力和分类效果,且网络结构更加紧凑。     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

一种径向基函数神经网络预测在超临界温度控制系统中的应用研究

超临界温度控制系统具有较大的惯性、时滞和非线性,且动态特性随运行工况而改变,难以建立其精确的数学模型,本文采用GGAP算法的RBF神经网络构成神经网络预测控制器,将在线学习和预测控制相结合,以某超临界电厂主汽温度为研究对象,MATLAB仿真实验表明,该方法能对超临界温度控制系统实现有效的控制,动态性能较传统的PID控制有较大的提高。     

基于模糊RBF神经网络的非线性滤波

该文从基本的智能技术——神经网络(NN)和模糊系统(FS)技术出发,探讨了神经网络与模糊系统相结合的基本理论,提出了一种基于模糊RBF神经网络的非线性滤波的方法。该方法将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,对信号中有色噪声进行较高精度的逼近,来达到非线性滤波的目的。该滤波方法显示出很强的处理问题的能力,学习速度快,仿真结果表明了这种方法的有效性和可性行。     

权值与结构双确定法的RBF神经网络分类器

为了解决径向基函数(RBF)神经网络权值与结构难以确定的问题,基于权值直接确定法,及隐层神经元中心、方差、数目与神经网络性能的关系,提出一种边增边删型的网络权值与结构双确定法。在此方法基础之上,构建一种RBF神经网络分类器并探讨其分类性能和抗噪能力。计算机数值实验结果验证所提出的边增边删型的权值与结构双确定法能够快速、有效地确定网络的中心、方差和网络最优的权值与结构,所构造的模式分类器具有优越的分类性能和抗噪能力。     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

基于RBF神经网络的射频功放行为模型研究

为了设计和优化高线性功率放大器和通信子系统,在系统级仿真中,构建功率放大器精确的行为模型是极为重要的。应用实际功率放大器晶体管测试板,通过ADS（Advanced Design System）仿真得到大量功放输入输出数据,建立了一个基于RBF（Radial Basis Function）神经网络的行为模型,给出了RBF 神经网络的结构设计及K-均值聚类算法和共轭梯度优化算法,并进行了模型检验。结果表明,基于RBF神经网络的功放行为模型具有较高的精度,相对于BP 神经网络模型具有更高的逼近能力和速度。     

一种自适应模糊Actor-Critic 学习

提出一种基于模糊RBF网络的自适应模糊Actor—Critic学习．采用一个模糊RBF神经网络同时逼近Actor的动作函数和Critic的值函数，解决状态空间泛化中易出现的“维数灾”问题．模糊RBF网络能够根据环境状态和被控对象特性的变化进行网络结构和参数的自适应学习，使得网络结构更加紧凑，整个模糊Actor—Critic学习具有泛化性能好、控制结构简单和学习效率高的特点．MountainCar的仿真结果验证了所提方法的有效性．     

Levenberg-Marquardt算法在T-S型模糊RBF神经网络训练中的应用

为了提高T—S型模糊RBF神经网络的训练效率,把Levenberg—Marquardt算法引入到T—S型模糊RBF神经网络的训练过程中,提高了网络训练的收敛速度,减小了训练过程陷入局部极小点的概率,然后基于这种算法推导出T—S型模糊RBF神经网络的快速训练算法,即混合学习算法。最后通过实验验证了这种算法的有效性和实用性。     

基于模糊RBF神经网络的换热器建模

针对换热器的复杂非线性特征,利用一种模糊RBF神经网络结构,对其网络学习算法进行部分改进,并用于解决换热器的建模问题。采用模糊RBF神经网络不仅符合人的思维推理方式,也提高了神经网络的学习泛化能力,在改进的学习算法中通过学习率的值的不断变化和添加动量项,可以使学习速度加快,提高了辨识换热器模型的准确性。通过与传统的学习算法的仿真比较,验证了所提出的改进学习算法在辨识精度和稳定性方面具有更好的效果。