径向基函数网络光度法用于多组分分析

对神经网络在多组分光度分析法中的应用进行了研究。应用径向基函数网络和BP网络 ,采用紫外光度法同时分析了色氨酸、酪氨酸和苯丙氨酸三元组分 ;采用速差动力学光度法同时分析了铜、锌、铁混合组分。实验证明 ,径向基函数网络在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

径向基函数网络在数值计算中的应用

由经典的函数逼近理论衍生的很多数值算法有共同的缺点：计算量大、适应性差、对模型和数据要求高,在实际应用中受到限制。神经网络可以被用来计算复杂输入与输出结果之间的关系,故神经网络具有很强的函数逼近功能。该文给出了径向基函数网络（RBFNN）的结构及学习过程,重点阐述了RBFNN在函数逼近、求解非线性方程组以及散乱数据插值中的应用,结合MATLAB神经网络工具箱给出了数值实例,并与BP网络进行了比较。应用结果表明RBFNN是数值计算的一个有力工具,与传统方法比较具有编程简单、实用的特点,在工程和科学研究上若将其制成软件包则具有很好的使用价值。     

基于径向基函数网络的模拟电路故障诊断

本文首先介绍一种在逼近能力、分类能力和学习速度方面都优于BP网络的径向基函数网络:它是一种前馈型网络,与普通的前向网络有所不同;隐层神经元是径向基神经元。其次通过对它的结构及工作原理的了解,归纳出进行模拟电路故障诊断的方法,最后给出仿真实例。实验证明此方法与传统方法相比有更好的实时性和诊断效。     

径向基函数网络用于细菌的MALDI-TOF-MS分类

径向基函数（RBF）网络被用于根据基质辅助激光解吸／电离飞行时间质谱（MALDI－TOF－MS）对细菌的分类辨识。为了加速网络训练和减少网络的复杂性，本文采用小波变换对原始质谱数据进行压缩，将原来的13828个数据点压缩至328个，且保持了原来的特征谱峰。本文研究了在不同培养时间（24、48和72小时）的5种细菌分类，并对RBF网络参数的影响做了详细地研究，为生物学研究提供了有用的信息。结果表明，约60％以上的细菌样本能够被正确地分类辨识。由于细菌培养的生物学影响因素复杂，因而进一步严格控制细菌的培养条件是改善细菌分类正确率的关键。     

径向基函数网络预测混合气体浓度

基于气体传感器阵列的混合气体分析方法及研究现状,对径向基函数神经网络对混合气体浓度预测进行了研究.用气体传感器阵列对由四种不同气体组成的混合气体进行测量并以这些测量数据为样本对径向基函数网络进行训练,训练后可使径向基函数网络对各气体成分的浓度预测误差不大于6%.     

径向基函数网络的功能分析与应用的研究

径向基函数网络与BP网络在网络结构上都属于前向网络,但它们对网络权值训练所采用的算法是完全不同的。另外,径向基函数网络的网络结构与模糊系统有很紧密的关联。该文从径向基函数网络的结构入手,分别对其所具有的特点、权值训练、网络设计方法及其应用等方面,通过分析与实例,采用对比的方式,给予实验的验证。     

RBF网络光度法与BP网络光度法的比较

目的：探讨神经网络光度法用于复方制剂的含量测定。方法：训练集为按L25（5^6）正交表制备的25组标准混合液的吸光度数据和各组分的浓度数据，混合液中各组分的5个浓度水平分别为80％、90％、100％，110％和120％。预报集采用复方制剂的吸光度数据。网络的输入为混合物的吸光度，网络的输出为各组分的浓度。分别用径向基函数网络和Levenberg-Marqurdt优化算法的BP网络处理数据。结果：复方阿司匹林片和联磺甲氧苄啶片的紫外分光光度法测定结果表明，径向基函数网络在网络训练时间和测定精度等方面好于Levenberg-Marqurdt优化算法的BP网络。结论：径向基函数网络光度法测定复方制剂简便，准确。     

基于蚁群径向基函数网络的地下水预测模型

提出了一种基于蚁群算法的径向基函数神经网络,用它来进行地下水位预测,既具有神经网络广泛映射能力,又具有蚁群算法全局寻优、分布式计算等特点。实验表明,蚁群算法与径向基函数神经网络相融合能达到良好的预测效果。     

基于径向基函数网络的SFS算法研究

分析了现有从明暗恢复形状(SFS)的几种方法普遍存在对恢复的形状的连续性和光滑性的缺点,提出了一种基于径向基函数网络模型进行从明暗恢复形状的新算法。该算法先采用网络构造一个曲面方程,再利用反射函数作为约束条件,通过调整权因子和径向基函数中心和宽度对网络进行自学习,得到一个满意的曲面方程。理论和实验证明,该算法在恢复形状的准确性和曲面的光滑性,连续性上有较大改进。     

基于径向基函数网络的非线性离散时间系统的自适应控制

对于一类离散时间的非线性系统x(k+1)=f(x(k))+u(k)+d(k),当系统中的非线性函数f(x(k))满足线性增长条件时,首先证明了{x(k)}落入一紧集中,然后根据高斯径向基函数网络的逼近性质,给出了自适应控制器的设计方法.利用李亚普诺夫稳定性理论,证明了控制算法是全局稳定的,跟踪误差收敛于零的某一领域中.