基于进化RBF神经网络的非平稳时间序列分析

针对非线性时间序列中的非平稳数据,本文结合差分平稳化和分阶遗传训练的方法,提出一种新的进化RBF神经网络结构及其学习算法。算例仿真结果显示,该算法在处理非平稳时间序列问题时具有一定的优越性。     

基于人工免疫RBF神经网络的分类模型研究

径向基函数(RBF)神经网络广泛应用于非函数逼近、模式识别等领域,是一种泛化能力强、训练速度快的智能信息处理方法,其隐层中心的选择很关键.用改进的人工免疫网络算法提取原数据集的特征数据,并以该特征数据作为RBF网络隐层节点的中心,从而自适应地确定聚类中心的数量和位置,提高了RBF神经网络的学习速度和精度.将改进后的人工免疫RBF应用于iris数据集分类和遥感影像分类中,实验证明了算法模型有效可行,且具有理想的分类准确率.与其它神经网络分类方法相比,大大提高了分类准确率.     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

基于RBF神经网络的时间序列交叉供热负荷预报研究

针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法.首先对现场实测的供热负荷数据进行预处理,取得建立预报模型所需的负荷样本阵列;随后,应用自相关法求取RBF神经网络的输入维数,并分别建立时间序列的横向及纵向预报模型;最后用最小二乘法求出横向与纵向负荷预报的交叉权系数,得到RBF神经网络的时间序列交叉预报模型.仿真结果表明,RBF神经网络交叉负荷预报的精度高于横向负荷预报及纵向负荷预报,其实时性要优于BP神经网络交叉负荷预报.     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

基于神经网络的联合混沌时间序列的预测研究

提出了利用前馈神经网络预测联合混沌序列,通过引用著名的Henon和Lozi混沌系统作为仿真实验产生联合混沌信号序列。预测结果证明,用改进的BP算法训练的NN可以完全预测联合混沌信号序列。     

基于聚类分析和神经网络的时间序列预测方法

文章提出了一种组合聚类分析和神经网络的预测方法。聚类分析将大的数据集聚类划分为几类小的数据集，这样在每一类中，数据的相似度比较高，然后再分类训练相应的模型，最后做预测。建立加入聚类分析的径向基神经网络模型，用金融时间序列做试验，并跟径向基神经网络模型进行比较。试验结果表明．加入聚类分析的径向基神经网络模型提高了连续预测的趋势准确率，降低了时间代价，并减小了模型的复杂度。     

混沌时间序列预测方法

针对混沌时间序列预测问题,深入分析了基于径向基神经网络与基于记忆库两种预测方法,进而应用两种方法分别对Logistic序列、Kent序列进行预测,仿真结果表明:输入节点个数严重影响RBF神经网络预测性能,样本容量的增大与预测精度提高只是在一定范围内呈正比;选取系统的关联维数作为预测阶数时,基于记忆库预测方法的平均预测误差较小,且其预测误差随样本容量的增多而减小.     

基于Elman神经网络的风速时间序列预测实例

风速时间序列具有非线性和非平稳性的特点,传统的预测方法难以建立风速间的函数关系,因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点,文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列,初步探讨了神经网络风速预测的可行性。结果表明,Elman神经网络经过训练,具有时序非线性拟合的能力,但预测结果精度尚未提高。     

基于人工鱼群算法和BP神经网络的时间序列预测研究

时间序列的普遍存在性使得对于它的预测有着极为深刻的意义和丰富的内涵。本文研究了时间序列的相关理论和方法,将人工鱼群算法和BP神经网络应用于时间序列预测中,讨论了人工鱼群算法与BP神经网络在时间预测中的优劣,以及其有效性和实用性。     

基于FPGA的RBF神经网络的硬件实现

介绍了RBF神经网络,并采用CORDIC算法实现了其隐层非线性高斯函数的映射。同时,为缩减ROM表的存储空间并提高查表效率,本设计还采用了基于STAM算法的非线性存储。最后,以Altera公司开发的EDA工具QuartusⅡ作为编译、仿真平台,采用Cyclone系列中的EP1C6Q240C8器件,实现了RBF神经网络在FPGA上的实现,并以XOR问题为算例进行硬件仿真,得出仿真结果与理论值一致。     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

基于径向基函数神经网络的混沌系统控制

考虑到不同神经网络模型误差对混沌控制效果的影响，提出了采用一种改进的递阶遗传算法对径向基函数（RBF）神经网络进行训练，针对连续的Lorenz系统进行了仿真，并且与其它神经网络训练算法结果进行了比较，仿真结果证明所采用的训练算法具有更加理想的混沌控制效果。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于独立分量分析和径向基网络的人脸识别方法

人脸识别是当前人工智能和模式识别的研究热点.基于小波分解和定点独立分量分析,提出了一种新的准正面人脸径向基网络识别算法.二维的小波分解具有对表情变化不敏感的特点,可以很好地压缩和表征人脸图像的特征.定点独立分量分析是一种基于高阶统计信息提取特征的方法,克服了一般ICA收敛慢的缺点;径向基网络作为分类器具有很高的推广性能,有利于大容量样本的分类.在对人脸库ORL和YEL的识别实验中,该算法的识别率达到98%以上,与传统算法相比,识别速度和识别率都明显提高.     

基于GM-RBF神经网络的光伏发电功率预测

为了提高光伏发电功率预测的精度,本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上,提出一种基于灰色径向基函数（Radical Basis Function, RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后,运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证,得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%,其预测精度均高于灰色预测算法和RBF神经网络预测算法。     

通信卫星干扰定位的RBF神经网络方法

本文提出了结合卫星多波束天线,利用径向基函数（ＲＢＦ）神经网络实现通信卫星干扰源精确定位的方法,这种方法可获得很高的定位精度,且能直接获得信号ＤＯＡ估计的闭式解,从而避免其它经典的高精度ＤＯＡ估计方法（如ＭＵＳＩＣ、ＭＬ等）所必需的全方位峰值搜索,同时由于神经网络优异的并行运算能力,所提方法具有实时估计的优越性,有望应用于实际的实时定位系统中。计算机仿真也验证了这一方法的可行性。     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。     

COLORED NOISE PREDICTION BASED ON NEURAL NETWORK

A method for predicting colored noise by introducing prediction of nonlinear time series is presented. By adopting three kinds of neural networks prediction models, the colored noise prediction is studied through changing the filter bandwidth for stochastic noise and the sampling rate for colored noise. The results show that colored noise can be predicted. The prediction error decreases with the increasing of the sampling rate or the narrowing of the filter bandwidth. If the parameters are selected properly, the prediction precision can meet the requirement of engineering implementation. The results offer a new reference way for increasing the ability for detecting weak signal in signal processing system.