基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

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.     

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。     

融合核函数在改进径向基代理模型中的应用

针对径向基代理模型技术在近似高维问题时预测性能较差的不足,提出一种基于融合核函数的改进径向基代理模型技术。在拉丁超立方设计抽样不均匀的情况下,通过定义一种辅助函数与距离评判标准,提出基于均匀抽样的拉丁超立方设计,并应用于代理模型的构建中;为提高模型预测精度与计算效率,考虑样本点因素,采用局部密集加点、全局均匀选点和最小距离筛选的多策略建模技术构建径向基代理模型;同时,为避免该技术在近似高维问题时可能产生的结构风险,考虑结构因素对预测精度的影响,对逆多二次和立方核函数进行了权重式的融合,构建了基于融合核函数的改进径向基代理模型。利用数值和工程算例进行测试仿真,结果表明该技术不仅满足精度要求,且明显提高计算效率,具有更高的预测稳定性。     

基于径向基函数神经网络的泥石流危险性评价*

泥石流危险性的主要评价指标与危险程度之间有着某种复杂的非线性的关系,通常采用统计分析、模糊评价、BP神经网络等评价方法,但这些方法均存在不足之处,难以进行准确评价。为了克服以上方法的不足,结合泥石流危险性评价指标,建立了基于径向基函数神经网络的泥石流危险性评价模型,并将该模型结果与BP神经网络的评价结果进行了对比。实验结果表明,径向基函数神经网络的模拟结果比BP神经网络更接近测量数据,精度更高,训练所需时间更少。因此,径向基函数神经网络经过充分训练后,能够较为准确地对泥石流的危险性进行评价,具有较好的应用     

基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用

针对复杂时间信号动态模式分类问题,提出了一种基于局部核函数与全局核函数组合的径向基过程神经网络(RBFPNN)模型。考虑时间信号过程特征的多样性和复杂性,以及核函数对信号分布形态特征的局部与全局表征能力,通过将具有全局性质的多项式核函数与具有局部性质的高斯核函数进行线性叠加,构成组合核函数,以此建立一种新的径向基过程神经网络,从信息模型上改善RBFPNN对动态样本复杂过程特征的抽取和记忆性质,提高网络对时间信号特征的辨识能力。分析了基于RBFPNN的性质,建立了基于混沌遗传算法CGA的模型参数优化算法。以基于示功图的往复运动机械工作状态诊断为例,实际资料处理结果验证了模型和算法的有效性。     

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。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

径向基函数网络光度法用于多组分分析

对神经网络在多组分光度分析法中的应用进行了研究。应用径向基函数网络和BP网络 ,采用紫外光度法同时分析了色氨酸、酪氨酸和苯丙氨酸三元组分 ;采用速差动力学光度法同时分析了铜、锌、铁混合组分。实验证明 ,径向基函数网络在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

基于径向基神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精确度,提出并构建精确的径向基神经网络、广义回归神经网络,并基于5位编码和Profile编码,采用不同大小的滑动窗口,利用交叉检证法构建多个径向基网络预测器,分别对蛋白质二级结构进行预测,得到了较好的实验结果,其中aveQ3提高到70.96%。结果表明,径向基神经网络模型能有效提高预测精确度,也证明了实验方法的有效性和可行性。