RBF网络分类器的实现及应用

径向基函数神经网络通过中间层神经元的非线性传递,能够实现任意的从输入空间到输出空间的映射,因此大都用于目标分类。本文利用快速聚类和统计的方法确定网络的中间层及中间层到输出层间的权值,并把构造的分类器用于遥感图象目标分类识别实验,取得了比较好的结果。     

一种动态RBF神经网络在模式识别中的应用

讨论了一种RBF(Radial Basis Function)网络在模式识别中的训练方法.考虑到模式识别的特殊状况,对RBF网络的训练采取了一种区域映射的方式,并且由此使用了区域映射误差函数,同时结合RAN(Resource Allocating Network)新性条件并依据该误差函数进行网络节点的添加和参数调整.网络的仿真结果表明使用这种方法在加快网络训练过程的同时也获得了较小的网络结构,提高了网络的泛化性能.另外该方法也提高了模式识别的正确率.     

基于动态自适应RBF网络的元音识别研究

鉴于BP网络训练时间过长，且易于陷入局部最优解，本文采用RBF网络来实现元音字母的语音识别。RBF网络的构造通过一种动态自适应聚类算法来完成，使得RBF网络具有在线学习能力。示例计算结果表明，这种RBF网络具有比BP网络和贝叶斯分类器更好的分类精度。     

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。     

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一和神经网络.RBF核函数型支持向量机是一种性能卓越的新型学习机.将这两种学习机进行对比分析,以期在实际应用中做出更好的选择.首先,在理论上分析了这两种学习机在分类原理上的异同.接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标.最后,提出了在应用这两种学习机进行模式识别时应注意的方面.实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%.这说明RBF型支持向量机的性能要优于RBF网络.但是RBF网络易于实现,在样本数日足够多的情况下也不不失为一种好的算法.     

基于改进自适应聚类算法的RBF神经网络分类器设计与实现

针对传统径向基函数神经网络构造的网络分类器通常存在分类精度不高、训练时间长等缺陷,首先提出了一种改进的自适应聚类算法,用于确定分类器的隐含层节点。该算法通过筛选基于轮廓系数的优秀样本群,来寻找最佳初始聚类中心,避免了传统K-means算法易受初始聚类中心点影响,导致最终的分类效果严重偏离全局等情况的发生。其次,将该改进算法用于构造径向基函数神经网络分类器和快速有效地确定隐含层节点径向基函数中心及函数的宽度。最后,通过大量UCI数据集的实验和仿真,验证了改进算法在聚类时间、聚类轮廓系数及聚类正确率等方面具有优越性。同时,大量的仿真实验也证明了基于改进算法构造的RBF分类器具有更高的分类精度。     

基于免疫聚类的RBF神经网络研究

通过分析以往人工免疫聚类算法的不足之处,提出了一种改进的基于人工免疫聚类与RBF神经网络的混合算法.该算法由两个阶段组成:第一阶段采用人工免疫机制来确定RBF网络隐层的聚类中心的位置和数量;第二阶段建立RBF神经网络,对输入样本数据进行学习、训练,求输出层的权值矩阵W.最后以肝病病证诊断进行仿真,建立基于免疫聚类的RBF网络模型.实验结果表明:该算法用于中医病证诊断的研究是可行的和有效的.     

基于熵聚类的RBF神经网络学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,最常用确定中心向量的方法是K均值聚类算法,对聚类中心的初值选择非常敏感,选择的不好,容易减低网络的训练性能.为克服以上问题,提出了一种熵聚类的方法来自动确定RBF神经网络隐结点的中心个数及其初始值,实现K均值聚类算法的初始化,再用改进的K均值聚类算法调整RBF神经网络的中心和训练宽度.并将上述算法用于函数逼近问题.实验结果表明:改进的算法与常规的K均值聚类算法相比,提高了训练速度和逼近精度.     

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RBF神经网络的数字模式识别方法

以RBF网络为识别模型,采用竞争算法,提出了一种基于RBF网络的数字识别方法,仿真结果表明此方法具有识别率高,识别速度快的优点,具有广阔的应用前景     

基于二维投影特征提取的人脸识别算法

基于线性投影的方法是目前人脸识别领域中重要的主流方法之一,在近年中得到了广泛的关注,取得了显著的发展。其中,基于一维线性投影的方法包括特征脸方法和Fisher脸方法等;基于二维线性投影的方法包括二维主成分分析和二维线性判别分析,以及它们的一系列拓展算法等。在此基础上,给出了一种基于二维矩阵的特征提取新方法。通过在ORL标准人脸库的实验表明,该算法与现有的方法相比在识别率和识别效率方面都有一定程度的提高,取得了比较理想的效果。     

DF-LDA tree: a nonlinear multilevel classifier for pattern recognition

This article presents a new nonlinear classifier by arranging linear classifiers in a tree structure. The proposed classifier, called the direct fractional-step linear discriminant (DF-LDA) tree, adopts a tree structure containing a DF-LDA at each node. The structure of the tree classifier evolves as the training proceeds, so there is no need to decide any parameters as a priori. Due to the many DF-LDAs arranged in the tree structure, classification performance of the proposed classifier is improved over single-shot DF-LDA. The proposed DF-LDA tree is tested on various synthetic and real datasets. Experimental results show that the proposed classifier leads to very satisfactory results in terms of classification accuracy.     

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RBF网络的信息融合在机器人足球中的应用

机器人足球系统是综合性的人工智能研究平台。决策在机器人足球比赛中起着至关重要的作用。通过对机器人足球系统的分析,论证了信息融合应用于机器人足球系统的可行性。针对机器人足球比赛决策中的实际问题,提出了基于径向基函数(RBF)神经网络的信息融合方法,并设计了足球机器人射门实验。实验结果证明该方法有助于提高整个系统决策的准确性。     

对步态空时数据的连续特征子空间分析

提出一种基于空时特征提取的人体步态识别算法。连续的特征子空间学习依次提取出步态的时间与空间特征：第一次特征子空间学习对步态的频域数据进行主成分分析,步态数据被转化为周期特征矢量;第二次特征子空间学习对步态数据的周期特征矢量形式进行主成分分析加线性判别分析的联合分析,步态数据被进一步转化为步态特征矢量。步态特征矢量同时包含运动的周期特征以及人体的形态特征,具有很强的识别能力。在USF步态数据库上的实验结果显示,该算法识别率较其他同类算法有明显提升。     

基于线性投影分析和FCM动态聚类的人脸识别*

依据主成分分析方法(PCA)对图像具有很好的表达能力,即能很好地重构原图像,而线性鉴别分析(LDA)可使图像样本具有较高可分性的特点,提出对图像先进行PCA处理,再进行LDA处理,从而降低人脸特征维数并对人脸图像进行了特征提取;并提出用FCM动态聚类算法作为识别分类器,对人脸进行识别。实验和分析结果表明,在人脸识别中,这种融合PCA和LDA的分类方法能够更好地对特征进行提取,且FCM动态聚类分类器比K近邻判别分类器更具有灵活的分类能力。     

基于RBF神经网络的非线性时间序列在线预测

针对非线性非高斯时间序列, 提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络(RBF-HMM)预测模型, 其特点在于模型输入包含误差反馈项、RBF网络隐含层节点数的可变性和观测噪声的隐马尔可夫性; 并采用序列蒙特卡罗(SMC)方法实现基于RBF-HMM模型的时间序列在线预测. 最后采用太阳黑子数平滑月均值数据和CRU国际钢材价格指数月数据进行实证研究, 结果表明该模型的有效性.     

基于多线性主元分析和FLD的掌纹识别*

为了减少高维对计算成本的影响,同时提取有利于分类的判别特征,提出运用多线性主元分析(MPCA)与FLD相结合的方法进行掌纹识别。运用MPCA直接对掌纹张量进行降维和特征提取,低维特征向量作为FLD的输入,提取判别特征向量,计算特征向量间的余弦距离进行掌纹匹配。PolyU掌纹图像库的实验结果表明,与主元分析（PCA）、PCA+FLD、二维主元分析(2DPCA)、独立元分析（ICA）和MPCA相比,该算法的识别率(RR)最高为9991%,特征提取和匹配总时间为0398 s,满足实时系统的要求。     

混沌系统的RBF神经网络非线性补偿控制

设计RBF神经网络非线性补偿控制器,提出了混沌系统线性状态反馈的复合控制方法,将可调系统混沌行为镇定到期望目标位置或者变成周期运动.用Lorenz方程作仿真实验,结果证明了该方法的有效性.