非线性系统RBF网在线建模的资源优化网络方法

提出了一种RBF网非线性动态系统在线建模的资源优化网络(RON)方法.RON在资源分配网络的学习过程中引入了滑动窗口和网络结构在线优化的思想,使网络能根据最近一段时间内的误差信息自动实现网络结构优化,从而使RBF网既能在线适应对象的变化,又能使网络规模维持在较小水平,并保证了网络的泛化能力.使用滑动窗口技术使RON对学习参数变化具有较好的鲁棒性,并更易收敛.三个标准例子演示了算法的有效性.     

改进的RBF学习算法及其相似性应用

针对RBF网络梯度下降法容易造成网络收敛速度不够快和陷入局部极小的缺陷,引入一个具有步长先验知识的神经网络来动态调整梯度下降法中的学习步长.该算法中构造了两个RBF网络,分别设为A网和B网,其中A网具有步长先验知识.当B网络陷入局部极小时,则调用A网获得优化的学习步长,进而来提高B网络的收敛速度.实验结果表明了该算法的有效性和优越性.同时,该算法对相似性问题也有较好的解决能力.     

基于在线减法聚类的RBF神经网络结构设计

以设计最小径向基函数（RBF）神经网络结构为着眼点,提出一种在线RBF网络结构设计算法.该算法将在线减法聚类能实时跟踪工况的特性与RBF网络参数学习过程相结合,使得网络既能在线适应实时对象的变化又能维持紧凑的结构,有效地解决了RBF神经网络结构自组织问题.该算法只调整欧氏距离距实时工况最近的核函数,大大提高了网络的学习速度.通过对典型非线性函数逼近和混沌时间序列预测的仿真,表明所提出的算法具有良好的动态特性响应能力和逼近能力.     

梯度算法下RBF网的参数变化动态

分析神经网络学习过程中各参数的变化动态,对理解网络的动力学行为,改进网络的结构和性能等具有积极意义.本文讨论了用梯度算法优化误差平方和损失函数时RBF网隐节点参数的变化动态,即算法收敛后各隐节点参数的可能取值.主要结论包括:如果算法收敛后损失函数不为零,则各隐节点将位于样本输入的加权聚类中心;如果损失函数为零,则网络中的冗余隐节点将出现萎缩、衰减、外移或重合现象.进一步的试验发现,对结构过大的RBF网,冗余隐节点的萎缩、外移、衰减和重合是频繁出现的现象.     

基于LM算法的在线自适应RBF网结构优化算法

针对LM算法不能在线训练RBF网络以及RBF网络结构设计算法中存在的问题,提出一种基于LM算法的在线自适应RBF网络结构优化算法.该算法引入滑动窗口和在线优化网络结构的思想,滑动窗口的引入既使得LM算法能够在线训练RBF网络,又使得网络对学习参数的变化具有更好的鲁棒性,并且易于收敛.在线优化网络结构使得网络在学习过程中能够根据训练样本的训练误差和隐节点的相关信息,在线自适应调整网络结构,跟踪非线性时变系统的变化,使网络维持最为紧凑的结构,以保证网络的泛化性能.最后通过仿真实验验证了所提出算法的性能.     

基于模型输出敏感度分析法的动态RBF神经网络设计

针对一般RBF神经网络在学习过程中网络结构不能改变的问题,提出一种动态RBF神经网络结构设计方法．算法的实质是利用敏感度分析法（SA）对神经网络模型的输出进行分析,通过判断隐含层神经元的输出对整个网络输出的影响,删除RBF隐含层中冗余的神经元,实现对神经网络的动态修剪．非线性函数逼近结果及动态系统建模结果表明,该动态RBF神经网络具有较好的性能;与最小RBF（MRBF）神经网络相比,采用所提算法能得到更小的检测误差和更短的训练时间,最终网络结构紧凑．     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

一种新型的RBF网络多用户检测器

本文提出了一种用于设计径向基函数(RBF)网络的递阶免疫算法,并将采用这种递阶免疫算法设计的RBF网络用于DS-CDMA系统的多用户检测.该方法利用递阶免疫算法确定RBF网络隐层(非线性层)的结构和参数,采用最小二乘算法计算RBF网络的输出层权值.递阶免疫算法针对RBF网络的特点引入免疫算子,能够有效提高群体的适应度,加快算法的收敛速度.仿真结果表明,基于这种RBF网络的多用户检测器具有较强的抑制多址干扰和克服远近效应的能力.     

一种应用PSO优化RBF神经网络的方法

RBF神经网络算法是一种常用的数据训练方法,在该训练过程中,如何选取更合理的个体作为RBF神经网络的神经元,直接关系到该数据训练方法的性能.利用传统的RBF神经网络模型进行数据训练,由于不同的神经元之间的差异性较小,造成建立的RBF神经网络集成模型的精确度过低.为此,提出应用PSO优化RBF神经网络的方法.动态构造PSO优化RBF神经网络结构,针对不同的动态构造方法进行分类,得到网格删除法、网络构造法和综合法等不同的动态构造方法,在动态构造的基础上,建立引用PSO优化RBF神经网络模型,计算RBF神经网络中的粒子变量,获取对应的适应性值,得到RBF神经网络的输出结果,实现应用PSO优化的RBF神经网络建模.实验结果表明,利用改进算法进行RBF神经网络构建,能够降低RBF神经网络的数据训练误差,满足实际需求.     

基于RBF神经网络的水处理系统建模与仿真

利用径向基函数(RBF)神经网络的特点,采用神经网络对活性污泥法水处理系统进行建模,提出了一种RBF网络学习的新算法,即将改进的减聚类算法和动态最近邻聚类算法相结合的算法.仿真结果表明,该算法先进有效,用其建立的模型具有较强的实用性,为实现水处理系统的在线实时预测控制提供了可行的途径.     

基于RBF的船用污水处理装置运行状态在线监测研究

应用径向基函数RBF神经网络对船用污水处理装置运行状态在线监测,以提高船用污水处理装置运行状态监测与管理的效率。在分析了RBF神经网络原理的基础上,研究一种监测船用污水处理装置运行状态的三层径向基神经网络。通过实际在线监测数据的RBF神经网络监测训练和实验验证,表明RBF神经网络对运行状态的分类效果较佳,能够有效地监测船用污水处理装置的状态,并为装置维修提供科学的决策支持。     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

多位取代喹诺酮药物的人工神经网络构效关系研究

利用人工神经网络研究69个喹诺酮类药物的构效关系,分别使用BP(Back Propagate)、LM(Levenberg-Marquardt)和RBF(径向基,Radial Basis Function)三种网络方法研究量子化学方法(MNDO法和AM1法)计算所得到的参数。BP网络结果不收敛,RBF网络收敛速度最快,不超过100次迭代就可得到较精确的迭代结果。LM和RBF两种网络预测训练集的正确率均达到100%。其中使用RBF网络和AM1法所得到的参数预测23个预测集的正确率82.6%,MNDO法预测预测集的正确率78.3%,体现了喹诺酮药物的氢键作用成分,结合多元回归分析和相关的耐药机理研究,提出喹诺酮药物的双氢键作用机理。人工神经网络方法可作为研究药物构效关系和研发新药物的有力工具。     

用多分布主体代理的径向基函数来分析网络行为

文章提出了一种多分布主体代理的径向基函数来分析网络行为新方法,径向基函数神经网络具有良好的自学能力,而采用分布式多主体代理大大提高了算法的效能。     

Blind equalization using a predictive radial basis function neural network

In this paper, we propose a novel blind equalization approach based on radial basis function (RBF) neural networks. By exploiting the short-term predictability of the system input, a RBF neural net is used to predict the inverse filter output. It is shown here that when the prediction error of the RBF neural net is minimized, the coefficients of the inverse system are identical to those of the unknown system. To enhance the identification performance in noisy environments, the improved least square (ILS) method based on the concept of orthogonal distance to reduce the estimation bias caused by additive measurement noise is proposed here to perform the training. The convergence rate of the ILS learning is analyzed, and the asymptotic mean square error (MSE) of the proposed predictive RBF identification method is derived theoretically. Monte Carlo simulations show that the proposed method is effective for blind system identification. The new blind technique is then applied to two practical applications: equalization of real-life radar sea clutter collected at the east coast of Canada and deconvolution of real speech signals. In both cases, the proposed blind equalization technique is found to perform satisfactory even when the channel effects and measurement noise are strong.     

基于动态神经网络的自整定PID控制策略

提出了在采用最近邻聚类算法在线构造RBF（NN1）正向辨识器,并在线辨识被控对象的Jacobian阵的基础上,引入RBF（NN2）对PID控制器参数进行在线调整的算法。该算法可以实现PID控制参数的自动在线整定和优化。通过和BP网络调整控制器参数的方法的对比和仿真实验证明,该方法控制精度高、响应速度快,并且具备较强的自适应性和鲁棒性。     

柴油发动机气缸压力和燃烧始点的辨识

在柴油发动机气缸压力的识别过程中，针对缸盖振动信噪比较低的问题，提出了对RBF网络训练样本进行时域统计平均降噪的方法，同时在对燃烧始点的辨识中应用了Kaiser差分器。时域统计平均有效提高了信号的信噪比，对柴油发动机气缸压力的恢复获得了很好的结果；Kaiser差分器有效提高了对燃烧始点的辨识。通过实践证明，该计算方法可以有效地从柴油发动机缸盖振动信号恢复气缸压力，并进一步辩识燃烧始点。     

改进ASMDE算法和RBFNN的配电网线损计算

针对中压配电网结构复杂,运行数据不全,常规网损计算方法难以实施的问题,提出了一种配电网线损的实用计算方法。利用RBF神经网络的强拟合特性,映射配电线路的特征参量与线损之间复杂的非线性关系,记忆配电线路在结构参数和运行参数变化时线损的变化规律,建立了基于RBF神经网络的线损计算模型。采用改进的自适应二次变异差分进化（ASMDE）算法,对RBF神经网络的结构参数进行整体优化,克服了常规算法隐含层与输出层结构参数分开确定,输出层易陷入局部极小的缺点。实例仿真验证了所提方法的有效性和实用性。     

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。     

基于RBF网络的飞机纵向运动参数估算

针对飞机纵向运动方程复杂,现有的气动参数获得方法不易实现,不便于分析与控制,利用RBF神经网络进行参数估算,建立了飞机短周期纵向运动参数估算的RBF神经网络模型;研究了高效RBF和严格RBF网络对模型的估算,分析了RBF分布参数对估算精度的影响;仿真结果表明RBF网络用于飞机纵向运动参数的估算,具有适应多变量、速度快、精度高的优点,能较好地估计纵向运动方程中的未知参数.