基于RBF神经网络的水泥强度预测

利用RBF神经网络的算法，建立了水泥强度的预测模型。通过实际数据比较计算，RBF神经网络明显优于BP网络，该模型为水泥强度的快速预测提供了一种新方法。     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测,提出了一种改进的RBF神经网络,并采用该网络对混沌时间序列进行预测.通过实例计算,预测效果较好.     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测 ,提出了一种改进的RBF神经网络 ,并采用该网络对混沌时间序列进行预测。通过实例计算 ,预测效果较好。     

基于GA的RBF网络用于旱涝灾害因素预测研究

用基于ＧＡ的ＲＢＦ网络构成非线性时间序列预测器,针对灾害因素中的降雨量、最高水位、最大流量等进行预测。在运用ＧＡ的过程中,针对ＲＢＦ的网络结构提出了与以往不同的编码方式,使得整个编码过程简单有效,而且符合ＲＢＦ网络本身的特性。     

基于相似日区域化RBF分析的校园能耗预测

为了准确预测校园建筑的能耗,结合校园自身特性和能耗影响因素,建立一种基于日能耗区域性分析的RBF神经网络预测模型。主要考虑校园因季节、作息时间等特性而造成的区域曲线特性,利用某高校能耗的近两年历史数据,进行区域能耗对比分析,挖掘能耗突发点,分析能耗迁移量,并线性扩展预测。预测结果与实际能耗的对比具有较高的精度,验证了该方法的有效性,为高校能源的管理奠定了坚实基础。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于RBF网络和AR模型的网络时延预测

分析了网络传输时延的组成和特点，提出了利用AR模型和RBF神经网络预测网络传输时1延，运用Matlab软件对其预测进行仿真．结果证明AR模型和RBF神经网络都能很好的预测网络时延，通过对比仿真结果分析，得出各自进行时延预测的适用条件。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

基于RBF神经网络的网络安全态势感知预测研究

针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章提出了基于径向基函数(RBF)神经网络的网络安全态势预测模型,采用K-means聚类算法对网络参数进行优化并感知网络安全态势,并采用训练数据来训练该模型。训练结果表明,该方法能较准确的获得态势预测结果,具有较高的检测准确率,与BP神经网络预测对比也显示出更高的精度与更好的适应性。     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

基于RBF神经网络的临近空间气温预测模型

针对大气系统,特别是大气温度系统的复杂非线性动力学系统特性,对现有的临近空间(Near Space)的温度资料进行分析,并利用RBF神经网络建立了临近空间温度场预测模型。根据北纬10度到北纬50度、海拔20 km到80 km之间的临近空间的气温观测数据,利用遗传算法寻优RBF神经网络的隐层节点中心值,最后通过RBF神经网络预测临近空间的大气气温。仿真结果和实际的温度数据对比分析表明,使用该方法建模取得了比较好的效果。     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.     

基于K-均值聚类的RBF神经网络血糖浓度预测

针对糖尿病患者血糖数据的复杂性与不稳定性,提出一种基于K-均值聚类算法的径向基函数（Radical Basis Function, RBF）神经网络的短期血糖预测方法。首先将动态血糖监测(Continous Glucose Monitoring System, CGMS)采集的糖尿病患者血糖浓度时间序列进行平滑滤波和归一化处理,提高血糖数据序列的光滑度,弱化原始血糖数据序列的随机性。然后对处理后的血糖浓度时间序列构造RBF网络,采用K-均值聚类进行优化,并用最小二乘法进行RBF网络的权值调整进而获得未来血糖浓度的预测值,从而保证预测的精度。     

基于隐层优化的RBF神经网络预测模型

提出一种基于隐层优化算法的RBF神经网络预测模型——HLOA-IRBFM。在传统的免疫径向基神经网络模型(IRBFNM)的基础上引入粗糙集,将初始隐层空间进行划分。定义隐层区域密度和相对近似度等概念,提出边界区域中冗余点和孤立点的约减算法。优化后的隐层空间分布均匀,能以较少的中心数覆盖整个样本空间,弥补了IRBFNM模型过分依赖参数选取的不足。实验结果证明,HLOA-IRBFM模型比IRBFNM模型在预测性能方面具有更好的稳定性和准确性。     

一种基于RBF神经网络的预测器模型及其研究

非线性复杂系统的预测控制是一种高性能的控制方法,其关键在于非线性预测器模型的实现。论文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于神经网络的预测模型设计方法,并将此方法用于实际非线性系统的预测控制。结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好的应用。     

基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

基于PSO-RBF神经网络的刀具寿命预测

有效的刀具寿命预测可以提高加工效率,保证工件加工精度,因此具有重要的研究价值.刀具寿命预测受到刀具材质、切削参数以及加工材料等多因素的影响,导致刀具寿命难以准确预测.针对这一问题提出了一种利用粒子群(particle swarm optimization,PSO)算法优化径向基(radial basis functio...