自适应RBF-LBF串联神经网络结构与参数优化方法

研究了前向单层径基函数(RBF)网络和前向单层线性基本函数(LBF)网络的分类机理，提出了RBF的中心和宽度应通过学习自动确定，在学习过程中根据错分样本被错分入的类别自动生成新的核函数这一观点．如果两个或两个以上核函数属于同一类，在输入空间相距较近且未被其它类别的样本分隔开来的情况下，则应考虑将之合并，或者使它们的作用区域部分重叠．从理论上阐明了采用Sigmoid活化函数的单层感知器的分类阈值为0．5，进而提出了由单层RBF网络和单层感知器组成的串联RBF—LBF神经网络．文中详细给出了确定该串联RBF—LBF神经网络结构、核函数个数、位置与宽度的优化算法．一般来说，该算法的计算复杂性比前向单隐层感知器采用的误差反传算法要小或至少相当．对几个经典的模式分类难题的处理结果表明，与一般RBF网络和前向单隐层感知器网络相比，该串联RBF—LBF网络及其自适应学习算法具有收敛速度快，分类精度高，易于得到最小结构，在学习过程中不易陷入局部极小点等优点，有利于实现实时分析．实验结果同时也验证了单层LBF网络对提高RBF—LBF网络分类正确率的重要性．     

Combining RBF Networks Trained by Different Clustering Techniques

Clustering techniques have a strong influence on the performance achieved by Radial Basis Function (RBF) networks. This article compares the performance achieved by RBF networks using seven different clustering techniques. For such, different sizes of RBF networks are trained and tested using an Automatic Target Recognition data set. The performances of these RBF networks using each clustering technique are compared and analyzed. This article also evaluates how the performance can be improved by combining RBF networks, training with different clustering techniques, in committees.     

基于前馈神经网络的增量学习研究

增量学习是一种在巩固原有学习成果和不需要用到原有数据的情况下快速有效地获取新知识的学习模式.本文阐述了基于前馈神经网络的增量学习原理,在此基础上对主要的增量学习算法进行了详细的介绍和分析,最后对增量学习研究进行了总结和展望.     

神经网络信息融合方法在分布式捷联基准中的应用

针对舰船所处的恶劣环境,以及舰船导航和武器系统对精度的要求越来越高和分布式指控系统的发展,提出了由安装在舰船甲板上有限个捷联基准、舰载平台罗经和利用测量结果推算出的甲板挠曲姿态信息构成分布式捷联基准系统(简称分布式基准)。然后基于径向基函数神经网络的信息融合技术建立全舰统一姿态基准系统。最后通过对简化的甲板模型的实验,证明了这种方法可行并具有较高的精度。     

无线传感器网络的系统化自适应建模

无线传感器网络的系统能耗制约着全网络的综合应用能力,其中节点有限的能量从根本上影响着传感器网络效能。针对无线传感器网络的全局能耗问题,提出了基于径向基函数神经网络以及状态空间表达的系统化建模方法。考虑到无线传感器网络的拓扑结构与分级关系, 采用径向基函数神经网络自适应实时规划系统。鉴于各传感器节点对数据的不同处理方式与能耗密切相关, 对全系统能耗建立系统化矩阵模型。仿真分析表明该模型可根据实际应用背景调整设置完成全局优化。     

基于RBF神经网络的电机故障诊断的研究

在对国内外感应电动机故障诊断技术发展与研究的基础上,提出了从定子电流人手,利用径向基（RBF）神经网络算法来监测感应电动机工作状态,从而实现对电动机较为常见的电气故障和机械故障的综合检测。Matlab仿真结果表明RBF算法有效地实现了对电机故障诊断的研究。     

RBF神经元网络在非线性系统建模中的应用

本文从径向基函数神经网络的特点着手，分析了该网络存在的问题，并且对网络径向基函数中心的选取，计算以及网络的拓扑结构作了改进，最后用改进的径向基函数神经元网络对化工中的连接搅拌反应釜系统进行建模，结果表明方法有效。     

基于遗传算法的前向神经网络结构优化

对近几年应用遗传算法（Genetic Algorithm,GA）优化设计前向神经网络结构的研究进行了评述。指出了神经网络结构优化设计的重要性和目前各种方法存在的不足。介绍了神经网络结构设计原理和应用GA优化设计神经网络应着重考虑的两个问题：即结构表达策略和适应度函数设计。分别对近来应用GA优化设计多层感知器、径向基函数神经网络和径向基概率神经网络结构的研究进行了细致介绍和分析。指出了目前研究工作的不足和未来研究工作的发展方向。     

基于径向基函数网络的农作物疾病诊断技术研究

农作物疾病的人工诊断效果常受到个人诊断经验和能力的限制,无法达到最令人满意的诊断结果。将丰富的植物病理学诊断经验和知识编入专家系统,利用模式识别算法对农作物常见疾病进行诊断,可以大大提高诊断准确率,显著地提高其产量和质量。本文研究基于一种人工神经元网络（Artificial Neural Network,ANN）——径向基函数（Radial Basis Function,RBF）网络的模式识别技术在大豆疾病诊断中的应用。径向基函数神经网络是基于人脑的神经元细胞对外界反应的局部性而提出的一种前馈式神经网络,这种网络具有结构简单、全局逼近能力强、训练方法快速易行的优点。本文首先对大豆常见19种疾病症状进行收集和整理,构建试验样本集。然后利用人工神经元网络理论,建立基于径向基函数（RBF）的网络模型,实现对该网络的训练和测试。测试结果表明,该模型具有较高的农作物疾病诊断正确率和良好的泛化能力。     

前向神经网络设计问题的回顾与探索

本文评述了近十几年来国内外对前向神经网络设计问题的研究情况，在分析各种已有设计方法优缺点的基础上，提出另一种新的解决前向神经网络设计问题的方法，并给出几个非常典型的设计（模拟）例子，以说明本文所提出方法的有效性和潜力。     

Ensemble of Evolving Neural Networks in Classification

The ensemble of evolving neural networks, which employs neural networks and genetic algorithms, is developed for classification problems in data mining. This network meets data mining requirements such as smart architecture, user interaction, and performance. The evolving neural network has a smart architecture in that it is able to select inputs from the environment and controls its topology. A built-in objective function of the network offers user interaction for customized classification. The bagging technique, which uses a portion of the training set in multiple networks, is applied to the ensemble of evolving neural networks in order to improve classification performance. The ensemble of evolving neural networks is tested by various data sets and produces better performance than both classical neural networks and simple ensemble methods.     

Speech recognition using pulse-coupled neural networks with a radial basis function

We have developed a novel pulse-coupled neural network (PCNN) for speech recognition. One of the advantages of the PCNN is in its biologically based neural dynamic structure using feedback connections. To recall the memorized pattern, a radial basis function (RBF) is incorporated into the proposed PCNN. Simulation results show that the PCNN with a RBF can be useful for phoneme recognition. This work was presented in part at the 7th International Symposium on Artificial Life and Robotics, Oita, Japan, January 16–18, 2002     

自组织过程神经网络及其应用研究

针对与时间过程有关的模式分类问题，提出了一种自组织过程神经元网络模型．网络由输入层和竞争层组成，其输入和连接权可为与时间有关的函数，输入层结点与竞争层结点实行全互连接．网络提取输入函数所隐含的过程式模式特征，并对其进行自组织，在竞争层将分类结果表现出来．为简化计算，在输入空间中引入函数正交基，将输入函数和网络权函数表示为正交基的展开形式，利用基函数的正交性，使网络权函数的调整非时变化．给出了竞争学习和有教师示教两种学习算法，并以石油地质中沉积微相识别问题为例证明了模型和算法的有效性．     

基于HMM与RBF的混合语音识别新方法

提出了一种隐马尔可夫模型（ＨＭＭ）和径向基函数神经网络（ＲＢＦ）相结合的语音识别新方法。该方法首先利用ＨＭＭ生成最佳语音状态序列,然后用函数逼近技术产生对最佳状态序列进行时间规正,最后通过ＲＢＦ神经网络进行分类识别。理论和实验结果表明,该系统比ＨＭＭ具有更好的识别效果,特别对提高易混淆词的识别性能尤为显著。     

Representation of Finite State Automata in Recurrent Radial Basis Function Networks

In this paper, we propose some techniques for injecting finite state automata into Recurrent Radial Basis Function networks (R2BF). When providing proper hints and constraining the weight space properly, we show that these networks behave as automata. A technique is suggested for forcing the learning process to develop automata representations that is based on adding a proper penalty function to the ordinary cost. Successful experimental results are shown for inductive inference of regular grammars.     

基于神经网络的非线性观测器及在线故障检测

提出一种基于径向基函数神经网络的非线性观测器的设计方法，并将其应用于复杂非线性系统的故障检测与隔离。该方法将神经网络离线学习与在线学习相结合，获取系统输入输出的非线性动力学特性，进而实时计算出残差并进行逻辑判决，可显著提高故障检测的快速性、鲁棒性及准确率。最后，针对非线性同步交流电机的结构损伤故障进行了仿真，结果表明本文所提方法的有效性。     

基于扩展卡尔曼滤波器的RBF神经网络学习算法

径向基函数（RBF）神经网络可广泛应用于解决信号处理与模式识别问题,目前存在一些学习算法用来确定RBF中心节点和训练网络,对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题,因此该文提出把扩展卡尔曼滤波器（EKF）用于多输入多输出的径向基函数（RBF）神经网络作为其学习算法,当确定神经网络中网络节点的个数后,EKF可以同时确定中心节点向量值和网络权重矩阵,为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器（SFEKF）用于RBF神经网络学习算法,仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果,学习速度比梯度下降法明显加快,减少了计算负担。     

Adapting RBF Neural Networks to Multi-Instance Learning

In multi-instance learning, the training examples are bags composed of instances without labels, and the task is to predict the labels of unseen bags through analyzing the training bags with known labels. A bag is positive if it contains at least one positive instance, while it is negative if it contains no positive instance. In this paper, a neural network based multi-instance learning algorithm named RBF-MIP is presented, which is derived from the popular radial basis function (RBF) methods. Briefly, the first layer of an RBF-MIP neural network is composed of clusters of bags formed by merging training bags agglomeratively, where Hausdorff metric is utilized to measure distances between bags and between clusters. Weights of second layer of the RBF-MIP neural network are optimized by minimizing a sum-of-squares error function and worked out through singular value decomposition (SVD). Experiments on real-world multi-instance benchmark data, artificial multi-instance benchmark data and natural scene image database retrieval are carried out. The experimental results show that RBF-MIP is among the several best learning algorithms on multi-instance problems.     

径向基网络的研究进展和评述

径向基网络(RBFN)是当前人工神经网络技术研究的热点之一,并以其优良的性能广泛应用于各个领域。该文简要介绍了RBFN的结构特点,与经典的多层前传网(MLFN)进行对比,分析了RBFN学习算法从经验到理论,从繁杂到简捷的发展进程,及其存在的问题,归纳了RBFN的一些特殊类型,并对RBFN的研究和发展进行了展望。