水文时间序列预测的径向基函数网络方法

提出了用多层径向基函数网络（ＭＲＢＦＮ）进行水文时间序列预测的神经网络方法．与通常水文时间序列预测的ＡＲ、ＡＲＭＡ、ＡＲＩＭＡ等模型相比，该方法有较强的非线性处理功能；与多层感知器相比，该方法具有训练时间短和全局收敛性的优点．     

基于径向基函数神经网络偏差补偿的预测函数控制

基于线性模型设计预测函数控制器,用径向基函数神经网络（RBFNN）来补偿由系统的非线性和外界干扰引起的预测误差,从而实现非线性系统的自适应预测函数控制。将该控制算法用于pH中和滴定过程,仿真实验表明该算法计算量小,控制效果好。     

改善径向基函数网络泛化性能的主成分分析法及应用研究

采用主成分分析法 (PCA)来改善径向基函数网络的泛化性能 ,理论上可以根据PCA方法中的主成分累积贡献率 ηK 决定RBF网络的输入层节点数 .实例研究证明 ,采用PCA方法后的RBF网络泛化性能良好     

径向基函数网络在平原河网水质评价中的应用

利用MatLab神经网络工具箱构建了径向基函数神经网络(RBF-ANN)模型,并用于平原河网和水库的水质评价.该模型以国家地表水环境质量标准(GB 3838-2002)为依据,随机生成网络的训练样本集,对网络进行学习,并将训练好的网络模型应用于温黄平原河网和境内水库的水质评价.结果表明,基于径向基函数网络的水质评价模型是合理、简便和快速的.     

一种用于径向基函数网络辨识非线性系统的新算法

使用卡尔曼滤波器和分簇算法组成一种新的混合算法用于径向基函数网络辨识非线性系统。由于卡尔曼滤波器和分簇算法都采用线性学习规则，收敛速度很快，故新算法能增加网络自适应能力。仿真结果表明了该算法的有效性。     

基于偏最小二乘回归的径向基函数网络的学习算法及其应用

:通过对径向基函数 (RBF)网络训练过程的分析 ,结合偏最小二乘回归 ,提出了一种新的网络训练方法 .实例研究表明 ,该方法能有效改善RBF网络的泛化性能     

基于径向基函数网络的钱塘江涌潮模型及其应用

利用径向基函数（RBF）网络的最佳函数逼近性能，建立了盐官站涌潮潮头高度的预测模型.钱塘江涌潮与其影响因素之间存在复杂的非线性关系，模型的预测精度主要取决于影响因子的识别与训练样本的选择.实测资料检验表明该模型具有良好的泛化能力.应用该模型分析了在不同水动力与河床边界条件下，大规模治江围涂工程对盐官潮头高度的影响.结果表明，在不同河势条件下治江围涂工程引起的涌潮变化存在差异，对于顺直江道，盐官大潮潮头高度降低了0.17 m，而对于弯曲江道，则抬高了0.39 m.     

基于径向基函数神经网络的洪水预报方法

为了便于快速而又相对准确预测山区流域洪水,通过构造源于高斯函数、指数函数、一次函数、余弦函数的4种径向基函数,采用正交最小二乘法确定径向基函数的中心,基于伪逆规则求解权值,选择崇阳溪流域建阳水文站1959—1998年36场洪水流量过程及上游支流武夷山水文站、麻沙水文站相应洪水流量过程资料,同时考虑建阳水文站洪水流量自回归的影响,分别建立4种径向基函数神经网络洪水预报模型。采用建阳站1999—2012年的8场洪水资料对模型进行验证。结果表明:4种径向基函数神经网络洪水预报模型的确定性系数均在0.95以上,模型有效性合乎要求;相对来说,本次构造的余弦函数所建立的神经网络模型,8场洪水过程预测值与实测值的平均相对误差最大值为9.8%,其洪峰流量预测值与实测值相对误差最大值为9.7%,模型预测精度最好。最终选择余弦函数作为建阳站神经网络洪水预报模型的径向基函数。     

基于径向基函数网络的电磁场计算研究

目前,将无网格方法引入电磁场计算已成为研究热点,它克服网格法中网格数与精度、网格与插值等存在的问题。径向基函数网络是一种无网格技术,它借助网络的学习和非线性映射实现对微分方程解的逼近,并将解的信息隐含于网络结构参数中。文章给出了该方法的相关技术和实现步骤,并以一维和二维静态场为例进行计算和分析,表明了该方法的可行性和计算性能的优势。     

径向基函数神经网络实现数字地图压缩

提出了一种基于径向基函数(RBF)神经网络的数字地图压缩方法，给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此大大增强了其适应性。数字仿真表明该方法具有自动适应地形、参数配置合理、在线计算量小等特点。     

径向基函数神经网络

本文介绍了径向基函数神经网络的基本结构,学习算法及收敛条件。     

基于自适应模糊系统的径向基高斯函数网络系统辨识方法

提出了一种基于自适应模糊系统的径向基高斯函数系统辨识方法,与传统的系统辨识和仿真方法相比,更具有精确性与智能性。RBF(radial basedfunction)网络在逼近能力、分类能力和学习速度上均有优势。自适应神经模糊推理系统(ANFIS)混合学习算法减少了原始纯反向传播算法搜索空间的维数,故收敛速度非常快。根据ANFIS和RBF的特点,将它们结合起来,形成了基于自适应模糊系统的径向基高斯函数网络的系统辨识方法。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

基于径向基函数网络估计密度函数的数据分类

针对样本总体分布已知的分类问题，提出了一种新的分类方法.通过非线性映射将训练样本映射到高维特征空间，基于向量投影法从训练样本中选择边界向量，运用多维二叉树搜索法确定每个边界向量同类中的k-近邻，运用统计理论中的大数定理估计样本的类条件概率密度函数，由边界向量与相应的密度函数构成新的训练样本对.对每一类数据建立一个径向基函数（RBF）网络，以相应类的边界向量作为中心，通过训练以RBF网络来估计样本的类条件概率密度，并采用基于最小错误率的贝叶斯决策来实现分类.对机器学习数据的仿真研究结果表明该方法具有与支持向量机（SVM）相似的识别率，并且能快速有效地实现多类分类.     

径向基函数网络在传感器故障检测中的应用

目的应用单一传感器信号检测控制系统中的传感器故障．方法采用由径向基函数网络组成一种神经预测器,神经预测器采用由ｎ均值分簇和Ｋａｌｍａｎ组成的混合算法在线对传感器信号进行学习,并在此基础上预测传感器输出,神经预测器的预测输出和传感器实际输出值之差如果大于一个阈值,则可检测出相应的传感器发生了故障．故障检测阈值的选取与噪声方差和可能的预测误差有关．结果与结论计算机仿真结果表明该方法有效地检测出了水翼艇动力装置中的陀螺故障     

基于径向基函数神经网络的机载数字地图压缩方法

提出了一种基于径向基函数(RBF)神经网络的机载数字地图压缩方法，并给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此其泛化性大大增强。数字仿真表明该方法具有自动适应地形、参数配置合理、机载计算量小等特点。     

用径向基函数网络诊断氢发动机异常燃烧

消除异常燃烧是推进氢燃料发动机技术进步的关键之一,快速、有效、灵敏地获得异常燃烧信号是抑制异常燃烧的前提.分别对氢发动机正常燃烧和早燃压力信号进行时间序列采样,构造特征向量.将构造出的特征向量作为径向基函数网络的学习样本,利用径向基函数网络能逼近任意非线性函数的能力,对网络进行训练.结果表明:训练好的网络具有很好的泛化和学习能力,可以有效地诊断氢发动机的异常燃烧,并能灵敏地识别出异常燃烧故障的严重程度.     

晶体振荡器老化预测的径向基函数神经网络法

建立了预测石英晶体振荡器老化的一种径向基函数神经网络模型,这种人工神经网络由输入层和输出层组成,输入层由计算径向距离范数的非线性神经元组成,输出层由一个计算径向基函数的神经元组成.提出了确定规格化径向距离尺度因子的一种方法,并在此基础上导出了一种径向基函数神经网络的学习算法,这种算法具有计算形式简单和易于实现的优点,适合于用加速老化法和外推法进行石英晶体振荡器老化预测的实验数据处理.     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．