基于RBF神经网络的金属应力状态系数模型

以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab人工神经网络工具箱,建立了轧制变形区的应力状态系数的RBF神经网络预测模型.通过分析应力状态系数的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对函数newrb()中宽度系数spread的试验调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.测试结果表明,RBF网络模型具有很好的推广能力.与传统的BP神经网络模型相比较,结果表明,RBF网络具有更高的精度和更好的泛化能力.     

结合先验知识的神经网络在生化系统建模中的应用

生化系统由于其高度的非线性，往往难以得到一个精确的数学模型，虽然许多学者为此做了很多工作，提出了各种模型，但这些模型的精确度和适应性还有待提高。而单纯用神经网络建立的模型由于其各种局限性，精确度也很难得到保证。将神经网络和先验模型结合而构成混合模型可以提高整个模型的精确度和泛化能力。本研究将动态递归神经网络和废水生化处理系统的先验模型结合，说明了结合先验模型的神经网络模型的优越性。     

基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．     

基于人工鱼优化的神经网络汽轮机振动故障诊断

建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度.依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析.仿真结果表明:本算法与BP及RBF算法相比具有较高的故障诊断准确率和较好的泛化能力.     

发酵过程混合神经网络建模方法比较

对发酵过程中串联结构、并联结构、串并联结构混合神经网络模型的结构和训练方法进行了分析、对比研究,并提出了一种训练方式更简单的混合神经网络模型.仿真结果表明,混合神经网络模型比标准的神经网络模型建模精度高、泛化能力强.     

发酵过程混合神经网络建模方法比较

对发酵过程中串联结构、并联结构、串并联结构混合神经网络模型的结构和训练方法进行了分析、对比研究,并提出了一种训练方式更简单的混合神经网络模型。仿真结果表明,混合神经网络模型比标准的神经网络模型建模精度高、泛化能力强。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

基于蚁群聚类算法的RBF神经网络交通流预测

短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和RBF神经网络结合来构建交通流预测模型,用蚁群聚类确定RBF网络隐层神经元的中心值,并且为了找到最优的聚类结果,在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测效果较好.     

基于神经网络的大气污染预报方法的研究

大气污染物浓度的变化具有较强的非线性特性，基于人工神经网络捕捉非线性变化独特的优越性，将RBF网络应用于实测大气污染物浓度的预报。     

基于RBF网络的轮胎侧向力模型

RBF神经网络相对于其他网络的特点是计算量小,收敛速度快,具有良好的非线性映射效果.采用人工神经网络中的径向基函数(RBF)神经网络,对车辆操纵稳定性仿真分析中的轮胎侧偏特性进行研究,建立轮胎侧向力神经网络模型.并与用于学习的实验数据进行比较,以验证这种模型的准确性,并以求为车辆动力学仿真和控制提供更好的手段.     

基于单调约束的径向基函数神经网络模型

径向基函数(radial basis function, RBF)神经网络是一种高效的前馈式神经网络。它结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,神经网络还未充分发挥其潜能。针对此,提出单调径向基函数神经网络(monotonic radial basis function neural network, MC-RBF)。MC-RBF引入Tikhonov 正则化方法确保优化问题解的唯一性与有界性。试验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度，针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题，提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力，结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心，进而优化神经网络结构。通过路网真实交通流数据进行训练，选择常用于短时交通流预测的BP神经网络，RBF神经网络，广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

混合神经网络建模方法在青霉素发酵过程中的应用

本文采用广义混合神经网络建模方法对青霉素发酵过程进行建模，根据青霉素发酵过程可在线测量过程参数二氧化碳生成率CER，实现青霉素发酵过程生物质浓度的测量。由仿真实验结果可以看出，该方法建模精度高、泛化能力强。     

DE算法改进的炼焦能耗RBF预测模型

针对炼焦能耗计算繁琐、影响因素众多的问题,以目标火道温度、烟道吸力、水分、挥发分和炼焦时间为输入变量,以炼焦能耗为输出变量,提出基于差分进化算法改进的RBF预测模型。由于RBF网络存在学习能力差、收敛速度慢等多个缺点,针对性地改进了差分进化算法优化的能耗预测模型。利用具有强大全局搜索能力的差分进化算法,选择RBF网络中基函数的中心值、宽度和输出权重的计算最优值,以此作为RBF神经网络的中心值、宽度和输出权重。结果表明,改进后的RBF预测模型具有较高的精度、稳定性和训练速度,对降低炼焦能耗、提高焦炭产量和提高企业经济效益具有重要意义。