基于广义径向基函数的神经网络分类预测

径向基函数网络是神经网络中一种广泛使用的设计方法.它把神经网络的设计看作是一个高维空间的曲线逼近问题.相对于其他的神经网络方法.径向基函数神经网络除了具有一般神经网络的优点,如多维非线性映射能力、泛化能力、并行信息处理能力等,还具有很强的聚类分析能力,学习算法简单方便等优点.针对一个实际分类问题,利用广义径向基函数网络的思想训练一个网络并实现对测试数据集的分类预测.本算法采用k-均值聚类算法训练广义径向基函数网络中心,使用奇异值分解计算输出层权值.对该网络的实现细节及待改进之处进行简要分析.实验表明广义径向基函数神经网络的思想具有很强的聚类分析能力,学习算法简单方便等优点.     

广义模糊神经网络

从非线性系统本身的物理背景出发,根据系统本身的内在特性、先验知识和经验建立系统辨识模型,提出了广义模糊神经网络(GFNN).文中证明了GFNN的函数逼近定理,并据此提出了GFNN的结构自组织和参数自学习算法.GFNN在预设的辨识精度下能自动辨识系统的网络结构以及进行参数自学习,实现GFNN网络结构的真正在线自组织.仿真结果表明,对于慢时变非线性对象,GFNN表现出了很强的非线性逼近能力,是模糊逻辑系统与人工神经网络两类方法的比较成功的融合.     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络,将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,仿真表明网络具有较快的学习速度和较高的函数逼近精度。     

一种基于自构架模糊EKF的目标跟踪方法

针对无人机飞行轨迹跟踪定位问题,研究了一种基于自构架模糊EKF目标跟踪方法。首先根据无人机系统的动力学方程建立了无人机系统控制模型,并将无人机控制系统中存在的高频随机干扰信号视为观测干扰噪声。其次设计了自构架模糊扩展卡尔曼滤波,将EKF估计方差与实际观测方差间的误差作为自构架模糊系统的一个输入,通过自构架模糊系统辨识,自适应地减小模糊EKF系统估计误差,提高对无人机系统的跟踪精度。最后,通过实验仿真证明了该方法对无人机飞行轨迹跟踪的有效性。     

模糊B样条基神经网络磁共振图像分割方法

针对磁共振图像分割的特点,提出了一种基于模糊B样条基神经网络的磁共振图像分割方法。该方法采用B样条基函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练。实验结果表明,这种基于模糊B样条基神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度。     

FRBF: A Fuzzy Radial Basis Function Network

The FRBF network is designed by integrating the principles of a radial basis function network and the fuzzy c-means algorithm. The architecture of the network is suitably modified at the hidden layer to realise a novel neural implementation of the fuzzy clustering algorithm. Fuzzy set-theoretic concepts are incorporated at the input, output and hidden layers, enabling the model to handle both linguistic and numeric inputs, and providing a soft output decision. The effectiveness of the model is demonstrated on a speech recognition problem.     

基于径向基函数神经网络的红外步态识别

为提高红外步态识别的效果,提出一种基于径向基函数神经网络的多分类器融合算法。对红外步态序列,分别应用基于轮廓线傅立叶描述子特征的模糊分类器和基于下肢关节角度特征的贝叶斯分类器进行识别,再利用径向基函数神经网络的学习和分类功能,对获得的输出信息进行度量层的融合和再识别。仿真实验结果表明,该算法获得更加精确的分类效果。     

基于RBF神经网络空间矢量法对PMSM的控制

将模糊径向基函数(f-RBF)神经网络算法用于永磁同步电机(PMSM)的速度控制.针对电机的动态和非线性特点,结合PMSM驱动的矢量控制方法,设计了f-RBF在线辨识器和速度控制器.在Matlab/Simulink下将该方法与传统的PID控制PMSM进行了仿真比较.实验结果表明了该方法的有效性,且系统响应速度快,动态性能优异,鲁棒性好.     

基于径向基函数神经网络的织物疵点分类

对径向基函数神经网络在疵点分类中的应用进行了研究;提出了一种应用于模式识别的RBF训练算法,提取织物疵点的特征参数如均值、方差和熵,再利用神经网络进行疵点类别的判别,精确度高达百分之九十多,准确地反映了每一类瑕疵特征的真实分布情况;然后分析了另一种神经网络--学习矢量量化网络LVQ对疵点分类的效果,将它们的训练速度和分类精度进行了比较;实验结果表明,采用RBF神经网络比LVQ神经网络的分类速度更快、精度更高,更有效地被应用于织物疵点分类中。     

一种新型模糊神经网络函数逼近器

论文提出了一种新型模糊小脑模型神经网络(NFCMAC),它采用模糊隶属度函数作为接收域函数,能够获得较常规CMAC连续性强且有解析微分的复杂函数近似,具有计算量少,学习效率高等优点。同时研究了NFCMAC接受域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。仿真结果表明NFCMAC具有良好的泛化能力和逼近精度,具有较高的收敛速度。     

模糊基函数网络辨识算法稳定性*

模糊基函数网络能很好地以“ｉｆ．．．ｔｈｅｎ．．．”形式利用专家的知识，且以这种模型进行辨识，其辨识误差方程与辩识参数成线性关系，因而非常适用于实时辩识系统中，本文研究了这种网络模型辨识的持续激励条件和基于梯度法的辨识系统稳定性，给出它们存在的充要条件。     

逆系统方法的径向基函数网络实现

研究采用径向基函数网络（ＲＢＦＮ）构造系统逆控制器的工程实现问题，同时给出该直接逆动态控制器存在的充分条件。为进一步改善基于ＲＢＦＮ的直接逆动态控制器的动态性能，对该伪逆系统进行ＰＩＤ综合。仿真研究表明，以ＲＢＦＮ拟合对象逆过程的ＰＩＤ综合控制策略不仅能改善系统的动态性能，而且具有良好的参数鲁棒性能。     

基于Lasso稀疏学习的径向基函数神经网络模型

传统径向基函数(RBF)神经网络模型使用完整的隐含层节点进行模型构建时,会因缺乏隐含层节点抽取机制而使得受训模型的泛化性能下降,导致模型更加复杂。为此,提出一种改进的RBF神经网络模型。通过Lasso稀疏约束对隐含层节点和输出层连接权值进行稀疏表示,去除冗余和不相关隐含层节点的同时保留重要的隐含层节点,并使用交叉验证和网格搜索确定收缩参数以优化模型分类性能。实验结果表明,与现有RBF神经网络模型相比,该模型具有更低的计算复杂度和更高的分类精度。     

基于自适应动态目标函数的模糊聚类神经网络

结合输入空间的聚类特性和输出空间实时逼近特性,在模糊聚类的目标函数中引入恰当的反馈因素,基于自适应动态目标函数,该文提出一种新的模糊聚类神经网络实现算法.该算法在收敛稳定性、收敛速度、初值敏感性方面,相对于传统模糊聚类算法有了明显改善,相关实验表明,该算法具备高效、稳定的工程应用价值.     

改进的径向基函数神经网络预测模型

在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.     

基于自适应动态目标函数的模糊聚类神经网络

结合输入空间的聚类特性和输出空间实时逼近特性,在模糊聚类的目标函数中引入恰当的反馈因素,基于自适应动态目标函数,该文提出一种新的模糊聚类神经网络实现算法。该算法在收敛稳定性、收敛速度、初值敏感性方面,相对于传统模糊聚类算法有了明显改善,相关实验表明,该算法具备高效、稳定的工程应用价值。     

一种结构自适应径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该网络中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.