基于人工免疫机制的RBF 网络混合训练算法

基于人工免疫聚类机制和免疫进化算法,提出了一种新型的设计RBF 网络的混合算法。该方法利用人工免疫聚类机制,根据输入数据集合自适应地确定RBF 网络核函数的数量及其中心的初始位置。采用免疫进化算法训练RBF 网络,进一步缩小了标准进化算法搜索空间的范围,提高了算法的收敛速度。计算机仿真表明,这种RBF 网络结构精简并具有较强的泛化能力。     

基于人工免疫机制的RBF网络混合训练算法

基于人工免疫聚类机制和免疫进化算法,提出了一种新型的设计RBF网络的混合算法。该方法利用人工免疫聚类机制,根据输入数据集合自适应地确定RBF网络核函数的数量及其中心的初始位置。采用免疫进化算法训练RBF网络,进一步缩小了标准进化算法搜索空间的范围,提高了算法的收敛速度。计算机仿真表明,这种RBF网络结构精简并具有较强的泛化能力。     

一种基于AGA的RBF网络混合学习算法

基于目前RBF网络学习方法中的一些不足,提出了一种基于AGA的混合学习方法,即应用AGA对网络隐单元RBF个数和宽度σ同时优选,并将最佳隐单元数作为K-均值聚类数得到隐单元中心,隐层到输出层的权值由LS法确定。针对K-均值聚类算法对初始值敏感的问题,算法在最后阶段对其执行多次运算,由此选择最佳结果。仿真结果表明,该方法在大样本情况下,训练得到的网络在精度和结构上得到了良好的结合。     

基于模拟退火遗传算法的RBF网络的优化

提出了引入模拟退火的遗传算法对径向基函数(RBF)网络中心参数进行优化的算法,算法中选择实数编码,采用引入模拟退火过程的多点交叉和区域内随机波动的变异方法.用此算法作了两个仿真实验:一是对典型的混沌时间序列的预测,二是对被干扰了的图象进行去干扰.结果表明:这种基于模拟退火遗传算法对RBF网络参数的优化是行之有效的.     

基于在线训练RBF网络的OFDM信道跟踪

提出一种结合了正则化技术及时间加权技术的递归最小二乘算法,用于径向基函数神经网络的在线训练及动态调整,从而解决OFDM系统中信道的动态跟踪问题.该算法能充分利用无线信道的时域相关性及频域相关性,仿真结果显示出了极强的鲁棒性;此外该算法具有的无记忆性,在线训练,递归更新等特点,使其可以低成本硬件实现.     

基于一种新型RBF网络的捷变频雷达频率预测技术

针对捷变频雷达的频率预测问题,提出了基于一种新型RBF网络的频率预测方法。该方法将频率预测问题等效为伪随机序列预测问题,并采用结合人工免疫聚类和进化规划的混合算法确定RBF网络的隐层参数。计算机仿真表明,采用这种方法设计的RBF网络预测器可以准确地预测捷变频码,是一种对抗捷变频雷达的有效方式。     

基于免疫RBF网络阵列的雷达信号分类识别方法

本文提出了基于免疫算法设计的径向基函数(RBF)网络阵列实现对雷达信号体制和用途的分类识别.同单个神经网络相比,这种方法克服了识别类型较多时存在的扩充、修改、维护等难点.在RBF子网络的训练中,采用结合记忆机制的递阶免疫算法确定RBF网络的隐层参数,有效折衷了系统性能和运算量之间的矛盾.实验结果表明,采用这种方法设计的雷达信号识别系统达到了很高的性能.     

基于小波包变换与RBF网络的大地目标辨识

利用正交小波包变换的高信号时频分辨特性引入小波包能量特征提取法，用于五类典型大地目标的特征提取和距离可分性测度计算。结果显示，小波包能量特征提取法提取的五类典型大地目标特征具有更好的可分性。将小波包能量特征提取法与径向基函数网络相结合，提出了一种大地目标辨识算法。仿真实验表明，对于分解层次m＝5，信噪比SNR≥0dB，五类典型大地目标能完全辨识。表明该大地目标辨识方法在一定条件下是可行的，具有强的抗噪声干扰能力。     

RBF网络雷达天线扫描方式识别系统

采用一种基于免疫算法和最小二乘法的两级学习方法设计径向基函数(RBF)网络,并将其应用于雷达天线扫描方式识别系统。这种RBF网络学习方法通过引入免疫算法的多样性保持机制和免疫记忆机制提高了网络训练算法的优化效率,并在一定程度上抑制了未成熟收敛现象。仿真结果表明,基于这种RBF网络的雷达天线扫描方式识别系统达到了较高的识别精度。     

一种基于因子分析改进的RBF神经网络算法

针对RBF神经网络在处理大规模多维数据时,网络结构不易设计、收敛时间较长、训练次数较多等不足,在原有的RBF神经网络模型的基础上,结合因子分析算法可以对大规模数据进行降维处理的优点,提出一种FA-RBF神经网络算法.利用该算法首先可以先对输入的数据进行降维处理,将处理后的数据作为神经网络的输入进行网络的训练和仿真.FA-RBF算法可以有效地简化网络结构、提高收敛速度、节省训练时间.将该算法用于私家车保有量的预测中,预测结果显示FA-RBF算法较之于PCA-RBF和RBF神经网络算法,其预测精度有所提高,训练时间及误差平方和都明显降低.     

基于RBF神经网络的二相码旁瓣抑制

研究了RBF神经网络在二相码雷达旁瓣抑制中的应用,对神经网络的学习算法进行了改进,采用Levenberg-Marquardt（LM）算法优化隐层神经元的中心值和扩展常数,而用最小二乘（LS）法优化隐层至输出层的连接权值。对13位巴克码进行了仿真。仿真结果表明,改进的算法具有极快的收敛速度,可获得60dB以上的输出峰均值比,提高了雷达的探测性能。     

基于RBF神经网络的相关干涉仪测向方法

提出了一种新的基于径向基(RBF)神经网络的相关干涉仪测向方法,实现了自组织学习选取中心、正交最小二乘法及基于遗传算法的进化优选算法等训练方法,经训练后的RBF神经网络可用于多源信号波达角(DOA)估计。仿真结果表明,在一定范围内,该方法对信道噪声不敏感,测向精度与传统相关干涉仪相当,且测向处理时间和测向设备的存储量大大降低。     

一种新型的网络安全技术--人工免疫系统

讨论了人工免疫系统的原理和发展概况，介绍了一种人工免疫系统的模型及其在计算机网络安全中的应用，总结了在网络安全中采用人工免疫技术所具有的优势。     

基于RBF神经网络的空袭目标威胁评估模型研究

为了辅助作战指挥员对空袭目标威胁程度做出正确判断,对作战提供正确决策,将径向基函数（RBF）神经网络应用于防空指挥控制系统中,给出了涉及空袭目标威胁评估的因素及其数学模型,建立了基于RBF神经网络的空袭目标威胁评估算法。同时,通过专家给出的训练样本在Matlab环境下对该模型进行了仿真计算,结果表明该模型方法评估结果准确、快速。     

基于RBF神经网络的激光雷达图像滤波融合算法

单一算法对激光雷达图像的滤波很难达到实用的理想效果,本文分析了激光雷达图像的噪声特点和各种滤波算法的优势,提出一种基于RBF神经网络的激光雷达图像滤波融合算法,仿真的结果显示了该算法能够在噪声抑制和信息熵保持两个方面都能达到很好的效果.     

一种基于RBF神经网络的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究的基础前沿问题.文中提出了提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的极化SAR图像分类方法.在构建包含G0分布最大似然距离和一些常规特征的极化SAR图像分类特征集的基础上,利用样本数据对RBF神经网络进行训练,完成分类器的设计.实测极化SAR图像的分类实验结果表明,该方法具有较好的图像细节保持能力.     

降维训练神经网络的圆阵列二维角估计

在信号二维达波方向估计中,神经网络训练集往往较大,一定程度上影响了神经网络在二维角估计中的应用,为此,提出一种降维训练方法,构造两个输入量,并各自形成独立训练集,在两个网络中分别训练俯仰角和方位角,极大地缩简了训练集。论文对降维训练方法进行了仿真,结果表明,所提方法十分有效。     

基于RBF神经网络的盲均衡算法综述

RBF神经网络是一种局部逼近的多层前向神经网络,具有算法简单,收敛快,逼近效果好,泛化能力强等优点。RBF通过非线性基函数的线性组合实现从输入空间到输出空间的非线性转换。盲均衡则是一种不借助训练序列,仅利用接收序列和发送序列的先验知识来恢复发送序列的方法。文中基于RBF神经网络的研究给出盲均衡的算法综述。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。