基于免疫遗传算法和梯度下降的RBF网组合训练方法

免疫遗传算法除了具有简单遗传算法的全局寻优能力外,还具有免疫记忆、免疫调节及多样性保持功能。梯度下降算法训练神经网络收敛速度慢,容易陷入局部最优,且受初始值的影响较大。本文综合两种方法的优点,提出一种用免疫遗传算法结合梯度下降算法的组合训练方法,用于RBF网的训练,并通过实验证明所提出的组合算法比简单遗传算法结合梯度下降组合算法的速度更快并且最终误差更小。     

基于MDL的RBF神经网络结构和参数的学习

本文提出了一种优化径向基函数神经网络（ＲＢＦＮＮ）结构的参数的方法,该方法包括两个过程：训练和进化．训练用梯度下降法学习ＲＢＦＮＮ的中心,宽度和输出权值;进化采用二进制编码的遗传算法（ＧＡ）学习ＲＢＦＮＮ的结构,适应度函数是基于信息论中最小描述长度（ＭＤＬ）原理的目标函数．函数逼近仿真实验证明了该方法比其他方法鲁棒性强,所得到的网络结构简单．     

一种基于遗传算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法，采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化，用递推最小二乘法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中，验证了该算法的有效性。     

基于遗传算法的RBF网络用于股票短期预测

采用改进的遗传算法（GA）优化径向基函数（RBF）网络,提出了一种新颖的确定RBF网络参数的方法,并用优化的RBF网络用于股票的短期预测,其结果与实际值吻合效果较好,证明了该方法的有效性。     

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.     

基于aiNet聚类和免疫遗传算法的RBF网络

本文通过aiNet人工免疫网络聚类算法对输入数据集合自适应地确定RBF神经网络隐层中心的数量和初始位置,通过自体免疫遗传算法来训练RBF网络,获得全局最优。最后将本文方法应用到隧洞围岩分类中进行仿真,仿真结果表明该RBF神经网络不仅计算量小,而且精度高,具有很好的泛化能力。     

基于遗传算法和RBF网络的番茄生长模型辨识

采用神经网络和遗传算法,对温室栽培番茄生长过程中主要器官——茎的生长过程进行了建模．温室番茄的生长过程具有控制变量多、生长过程复杂等特点．采用基于径向基函数(RBF)神经网络的辨识方法建立了温室栽培番茄生长的模型,以温室中番茄的实测数据为训练和预测样本,采用遗传算法进行训练．仿真结果表明．该方法较其他方法更适合于温室番茄生长过程的建模．     

基于梯度下降算法的神经网络模型研究

神经网络的研究与应用已经取得了巨大的成功,但是在网络的收敛性和稳定性方面还有很多问题。本文对神经网络的核心算法BP算法进行了改进,使用梯度下降算法对神经网络的原始输入变量进行预处理,选择输入变量的主成分作为网络输入,使变量维度和相关性同时减小,从而实现神经网络的结构简化、高收敛性和高稳定性。     

基于微种群遗传算法和RBF神经网络的散乱数据重建方法

利用微种群遗传算法,结合性能优越的径向基函数神经网络,建立了适用于散乱数据曲面重建的径向基函数网络模型.采用微种群遗传算法完成对神经网络的权值优化,可避免早熟收敛,且有较快的收敛速度.实验结果表明,用这种方法解决散乱数据点的重建问题,具有较高的精度.     

基于RBF神经网络的股票市场预测

提出了一种基于RBF(Radial Basic Function)神经网络的股票市场预测模型.RBF神经网络的结构简单,具有良好的全局逼近性能,以及非线性映射能力和高度非线性的特点.在这种情况下,根据股票数据是一类非线性较强的时间序列,对其进行预测,即从前N个数据中预测将来的M个数据,建立股票市场的短期预测模型,并以一个典型的实例加以分析和验证.     

一种基于改进k-means的RBF神经网络学习方法

针对传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随不同的初始输入而波动。为了解决以上问题,提出一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法,消除聚类的敏感性,再用优化后的k-means算法构造RBF神经网络。仿真结果表明了该学习算法的实用性和有效性。     

基于RBF神经网络的网格数据聚类方法

把径向基函数（RBF）神经网络和网格结合起来，提出了一种能够并行处理数据和便于增量计算的智能聚类方法。介绍了网格聚类原理、RBF神经网络神经元的数量和基函数的选择，并针对数据聚集区域的位置辨识、提高分辨率和计算速度等问题，深入讨论了聚类策略与聚类算法。仿真表明了该方法的有效性。     

基于改进RBF神经网络的入侵检测研究

近年来,神经网络技术在入侵检测中得到了广泛应用,其中最具代表的是BP神经网络,但其本身所具有的局部极小性质限制了检测性能的提高。RBF神经网络在一定程度上克服了BP神经网络存在的问题,但如何确定一个合适的RBF网络隐层神经元中心个数又是保证其应用效果的关键之一。因此,将基于熵的模糊聚类和RBF神经网络相结合,提出了基于EFC的改进RBF神经网络算法,并将该方法应用于入侵检测研究。实验表明,该算法可以获得满意的性能。     

基于自适应小生境递阶遗传算法的RBF均衡器

递阶遗传算法(HGA)一次只能确定一个最优个体。采用小生境递阶遗传算法,依据进化信息自适应调整小生境区域,在均衡数据误比特率最低,隐层中心聚类有效性最佳的基础上,可以从多个进化优解中确定出最佳结构的径向基(RBF)神经网络均衡器。仿真结果验证了算法的有效性和稳定性。     

基于动态递归径向基函数神经网络的彩色图像恢复

将一种动态递归神经网络完成的最近邻分类器(NNC)应用于彩色图像恢复。采用多层感知器(WLP)与径向基函数(RBF)网络相结合的网络结构，把原型模式的显式表示作为网络参数，可自由扩大或删除原型模式，具有自适应特性。用这种模型实现的动态NNC去除了传统NNC中的比较运算,一定程度上降低了运算复杂度。试验结果表明该方法对于含有不同程度噪声的彩色图像恢复效果良好。     

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。     

基于RBF神经网络建立税务预测模型的研究

简要地介绍了RBF神经网络的结构及训练算法，并分析了影响税收的一些主要因素。在此基础上提出了基于RFB神经网络的税收预测模型。实验及仿真结果说明了模型的有效性。     

奇异值和RBF神经网络的彩色人脸识别

目前已有研究表明,相对于灰度图像,利用图像的彩色信息能改进人脸图像的识别率。但近年来的彩色人脸识别研究较少。提出了一种基于奇异值向量和RBF神经网络的彩色人脸图像识别方法。首先说明了彩色图像的奇异值向量具有代数和几何不变性,再将降维的奇异值向量作为图像的特征,然后应用RBF神经网络进行训练和识别。实验表明该方法的识别率为95%左右,是一种有效的彩色人脸识别方法。     

带权重的RBF神经网络银行个人信用评价方法

针对RBF神经网络确定核函数中心时没有考虑输入样本分类指标权重的问题,提出了一种动态加权聚类算法.在算法中利用样本之间的加权距离代替了欧氏距离作为选定核函数中心的量度.在此基础上,建立了信用评价模型,利用已知类别的样本对模型进行训练,再利用训练好的模型对未知类别的样本进行预测,实验结果验证了模型的有效性.     

基于RBF神经网络的汉字粗分类方法

粗分类是提高汉字识别速度的主要手段。将RBF（Radial Basis Function neural network）神经网络用于汉字粗分类,采用汉字四边码和粗网格作为汉字粗分类的特征以进行比较。分别对GB2312-80一级字库印刷体及手写体进行实验,实验结果表明将RBF神经网络用于汉字粗分类比通常使用的欧式距离作为分类器有较好的性能。