基于径向基函数网络的SFS算法研究

分析了现有从明暗恢复形状(SFS)的几种方法普遍存在对恢复的形状的连续性和光滑性的缺点，提出了一种基于径向基函数网络模型进行从明暗恢复形状的新算法。该算法先采用网络构造一个曲面方程，再利用反射函数作为约束条件，通过调整权因子和径向基函数中心和宽度对网络进行自学习，得到一个满意的曲面方程。理论和实验证明，该算法在恢复形状的准确性和曲面的光滑性，连续性上有较大改进。     

基于改进的RBF神经网络在线辨识算法及其应用

针对径向基函数(RBF)神经网络用于非线性系统辨识时存在的问题，对径向基函数网络的拓扑结构作了改进，并给出了改进的径向基函数(MRBF)神经网络的中心选取方法和权值在线调整算法，最后用改进的径向基函数网络对一个典型工业对象(CSTR)进行了应用研究，结果表明方法有效。     

基于RBF神经网络的肌电信号建模仿真研究

建立肌电信号模型，尤其是肌肉单纤维动作电位模型，并进行计算机仿真研究，是研究从复杂信号中提取特征参数新算法性能的基础。利用反向传播算法网络和径向基函数的强逼近能力，建立模拟合成单纤维动作电位的精确模型，以达到快速、准确地计算机合成单纤维动作电位波形。通过实验比较，径向基函数网络较反向传播算法网络更适合于肌电信号这类非线性系统建模。     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷。采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标。同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题。最后将该算法应用到某地区电力负荷预测取得理想效果。     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷.采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标.同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题.最后将该算法应用到某地区电力负荷预测取得理想效果.     

基于神经模糊方法的复杂系统建模

本文提出一种基于模糊模型同径向基函数网络相结合的复杂系统建模方法．该方法表 明具有确定后件结构的MTS模糊模型与径向基函数网络之间有一种直接对应关系,基于这种 对应,我们可把MTS模型的前件结构确定和后件结构辨识分开,利用径向基函数网络的学习 特性和其它学习算法相结合来得到模糊模型．该方法简单且能达到较高精度．仿真实例说明 了所提方法的有效性．     

基于RBF神经网络的涡轮性能预测

针对某型弹用航空发动机涡轮，建立了基于径向基函数神经网络的性能预测近似模型。由均匀设计提供训练样本，选取静叶叶身5个关键截面上的7个参数作为设计变量，涡轮效率作为输出变量，采用遗传算法对径向基网络进行训练，并和BP网络算法求解的模型进行了对比。结果表明：该算法能够广泛地利用样本空间，得到较高的训练和测试精度；构建的RBF网络具有较小的网络规模．较强的泛化能力。     

一种新的时间序列分析算法及其在股票预测中的应用

分析了股票市场高度非线性的特点,给出了一种改进的时间序列分析算法。新算法利用径向基网络来对序列中的历史信息进行非线性组合,从而比基于线性组合的时间序列分析算法的基本模型更能有效地挖掘出序列中历史信息之间的相互作用。新算法还利用改进的遗传算法对径向基函数的中心和宽度进行了全局范围的优化选择,进一步提高了径向基网络的非线性映射能力。运用该算法对股票走势进行了预测,取得了令人满意的效果。     

基于径向基函数神经网络的机器人系统辨识

介绍了一种三层径向基函数神经网络,其学习算法采用正交最小二乘算法.首先根据正交最小二乘算法得到径向基函数神经网络的结构;然后对该网络的权值进行训练使它逼近给定的函数.为了验证径向基函数神经网络所具有的对任意非线性映射的任意逼近能力和自学习、自适应能力,以两关节机械手为辨识对象来进行实验研究.实验结果表明,该径向基函数神经网络具有良好的模型学习和逼近能力,并且学习速度快、收敛性好、鲁棒性强,尤其适合于具有连续线性与非线性对象的复杂系统的控制实时性要求.     

一类递归RBF神经网络模型的稳定性讨论

在径向基函数神经网络（RBFNN）和递归神经网络（RNN）的基础上,提出了一类新的递归径向基函数神经网络（RRBFNN）模型,它具有两种网络模型的优点。文中对它的渐近稳定性和学习算法进行了研究,并给出相关的定理和公式。仿真结果表明了该神经网络模型在控制不稳定非线性系统（如小车－倒摆系统）具有巨大潜力。     

基于RBF神经网络的非线性系统的预测

对于非线性系统的预测辨识,提出用动态节点生成构造性RBF神经网络作为预测模型,且RBF神经网络的学习算法采用一种新的全监督式学习算法,即神经网络隐层引入新节点时,通过使新节点的输出尽可能逼近残差序列的方向来获取网络参数,从而减少学习误差,使网络输出能够较好的跟踪系统输出。仿真表明该学习算法的有效性。     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

径向基神经网络重建自由曲面的探讨

提出了采用神经网络重建自由曲面的方法,建立了用于曲面重建的径向基函数神经网络模型,提出并论证了神经网络用于密集散乱点曲面重建的方案,与常规的重构方法对比,分析了其优点和关键技术,着重讨论了径向基函数神经网络模型,仿真实验表明：采用二层的径向基函数网络,对单个曲面片的拟合精度和网络训练速度大大优于ＢＰ网,完全满足实用要求,具有一定的理论与实用意义。     

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

基于组合算法的RBF神经网络列车轮对缺陷识别

提出了一种基于动态聚类和遗传算法相结合的组合RBF网络训练方法;采用动态聚类法对样本数据进行聚类,使RBF神经网络的隐含层节点中心数在训练过程中自动确定,使用经验公式作为标准,选取最优聚类数,采用遗传算法对隐层中心和宽度以及隐层到输出层的权值进行优化,在全局范围内寻找网络的最优模型;最后对轮对缺陷进行纹理特征提取,并组成训练样本和测试样本,输入到网络进行训练与测试;实验结果表明,与传统方法比较,该组合方法具有较高的识别率。     

一种人工免疫与RBF神经网络结合的混合算法的应用

提出了一种人工免疫学习算法,该算法具有识别多样性、自我调节功能等特点。将该算法用于RBF神经网络隐层中心点数量和位置的调整,网络的输入数据作为抗原,抗体(RBF中心)作为抗原的内影像,输出采用最小二乘法。仿真结果表明,该混合算法具有较强的泛化能力,而且精度高,效果好。     

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型.针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿.同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数.实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性.     

粗糙集意义下的一种RBF 神经网络设计方法

提出一种集成粗糙集理论的RBF网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的RBF网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.