RBF神经网络理论及其在控制中的应用

对ＲＢＦ神经网络的结构、分类、函数逼近理论及训练方法进行了综述，并且对ＲＢＦ网络的优点及问题作了分析，同时介绍了目前ＲＢＦ网络在控制方面应用情况，最后提出了ＲＢＦ网络在控制中的研究及应用新方向。     

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。     

一种基于傅里叶变换的RBF神经网络函数逼近方法

本文提出了一种基于傅里叶变换的RBF神经网络函数逼近方法。基于聚类算法的RBF网络中心与宽度确定方法侧重于考察信号在时空的分布规律。与之相比,本文通过分析信号所含谐波分量的幅度和相位随频率分布的情况,用前有限个频率的正弦波分量的频谱特征构造RBF网络,并采用单调指数法合并隐层节点,最后用增加微调节点的方法提高网络的局部逼近精度。一个应用实例表明,本文方法具有良好的函数逼近能力。     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。     

一种进化RBF神经网络的模型及其训练算法

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性,在函数似合方法优于传统的BP网络,因此被广泛应用于非线性时间序列分析算法领域。本文针对时间序列中的非平稳数据,结合差分平稳化与分阶遗传的思想,提出一个新的进化RBF神经网络的模型及其训练算法。通过实例分析表明,该方法在处理非平稳时间序列方面具有一定的优越性。     

RBF神经网络的函数逼近能力及其算法

BP网络是广为应用的一种前馈网络,但是由于其自身缺陷,其它网络越来越受到关注.目前RBF网络是前馈网络研究中的一个热点,有关其逼近理论以及算法的研究出现在许多文献之中.本文综述了RBF网络理论,对其结构、函数逼近性质、学习算法做了较为详细的介绍,并指出了RBF网络各种学习算法的优点和存在的问题.     

基于RBF神经网络的回归树学习算法

介绍了一种新的非参数回归RBF神经网络学习算法,该算法将RBF神经网络与回归树结合起来使用。回归树的基本思想是通过递归分割将输入空间划分为两部分,对函数进行逼近。由于每一次划分都与轴平行,因此可以用输入分向量满足的不等式来描述每一次划分,从而输入空间就变成了一个用超矩形构成的回归树(二叉树)。回归树的结点可以很容易地转换为径向基函数,通过对回归树结点的访问,可以选择出使网络达到最优的基函数集,形成最终的网络。该算法可以应用到函数逼近、图像处理等各方面。     

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.     

一种基于RBF神经网络的预测器模型及其研究

非线性复杂系统的预测控制是一种高性能的控制方法,其关键在于非线性预测器模型的实现。论文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于神经网络的预测模型设计方法,并将此方法用于实际非线性系统的预测控制。结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好的应用。     

Orthogonal RBF Neural Network Approximation

The approximation properties of the RBF neural networks are investigated in this paper. A new approach is proposed, which is based on approximations with orthogonal combinations of functions. An orthogonalization framework is presented for the Gaussian basis functions. It is shown how to use this framework to design efficient neural networks. Using this method we can estimate the necessary number of the hidden nodes, and we can evaluate how appropriate the use of the Gaussian RBF networks is for the approximation of a given function.     

基于RBF神经网络的属性约简方法

提出了一种用径向基函数(Radial Basis Function)神经网络进行属性约简的方法,定义了影响度等概念来量化评价各属性与待求解问题关系的紧密程度,根据影响度对属性做出约简处理。实验表明,该方法是合理、有效的,明显地提高了机器学习的性能。     

基于RBF神经网络的热电偶建模方法

针对热电偶的测量精度问题,建立了热电偶传感器的数学模型。此数学模型采用RBF神经网络,利用带遗忘因子的梯度下降算法进行网络参数的调整,并给出了建模步骤。实际结果表明,该模型具有较高的精度。     

改进的RBF网络及其参数优化方法

该文提出了一个改进的RBF网络及其参数优化方法。将典型的三层RBF网络改为一个两层RBF和一个单层感知器的串联网络。参数优化方法自动确定核函数个数,并根据核函数输出误差用BP算法修正核函数中心和宽度。根据样本分布的不规则性,引入了子类的概念,使每个类由若干子类覆盖,每个类生成一个单独的网络。实验表明,这种方法能得到较优的网络结构及其参数,并且提高了RBF网络中BP算法的收敛速度。     

基于统计聚类RBF神经网络的孤立点检测研究

孤立点挖掘是数据挖掘的一个重要领域,而统计分析方法在孤立点检测中具有天然的优势。本文将统计聚类方法融入RBF神经网络,提出了一种基于统计聚类RBF神经网络的新的孤立点检测算法——SCRBF。该算法包括两部分,先用统计聚类方法对神经网络进行初始化,然后根据网络的训练情况进行隐单元的简化,提高了神经网络的泛化能力,同时也降低了过拟合现象的出现概率。与LSC算法的对比实验表明,该算法是有效的。     

RBF 神经网络的递阶遗传训练新方法

针对RBF网络的特点,提出一种递阶遗传算法,不仅可以同时确定网络参数(连接权、隐节点中心和宽度),而且解决了网络拓扑结构的优化训练问题。算例仿真表明所提出的算法是很有效的。     

基于RBF神经网络和混沌映射的Hash函数构造

单向Hash函数在数字签名、身份认证和完整性检验等方面得到广泛的应用,也是现代密码领域中的研究热点。本文中,首先利用神经网络来训练一维非线性映射产生的混沌序列,然后利用改序列构造带秘密密钥的Hash函数,该算法的优点之一是神经网络隐藏混沌映射关系使得直接获得映射变得困难。模拟实验表明该算法具有很好的单向性、弱的碰撞性,较基于传统的Hash函数具有更强的保密性且实现简单。