确定RBF神经网络隐层节点数的最大矩阵元法

针对基于训练样本输入信息进行非监督聚类来确定RBF神经网络隐层节点数的方法存在利用信息不充分的缺陷,该文提出了一种新的确定RBF神经网络隐层节点数的方法。利用训练样本输入输出全部信息建立样本间的相似矩阵,然后采用最大矩阵元法来确定RBF神经网络隐层节点数。实验仿真表明,该方法是有效的。     

基于RBF神经网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用RBF神经网络具有最佳逼近性能、训练速度快等特性,分别采用聚类和全监督训练算法,实现了基于RBF神经网络的抗噪语音识别系统。聚类算法的隐含层训练采用K－均值聚类算法,输出层的学习采用线性最小二乘法;全监督算法中所有参数的调整基于梯度下降法,它是一种有监督学习算法,能够选出性能优良的参数。实验表明,在不同的信噪比下,全监督算法较之聚类算法有更高的识别率。     

基于聚类算法的RBF神经网络设计综述

简要分析了径向基函数（RBF）神经网络。在此基础上,介绍了K-均值聚类算法的神经网络、C-均值聚类算法的神经网络和PAM聚类算法的神经网络三种聚类算法的RBF神经网络。展望了基于聚类的RBF神经网络设计的发展趋势。     

基于改进RBF神经网络的车辆类型识别

首先利用蚁群聚类与模糊C-均值聚类相结合的方法优化径向基函数中心与宽度,然后根据样本数据的聚类结果设计RBF神经网络,最后在车辆图像预处理和特征提取的基础上将该神经网络应用于车辆类型识别.仿真结果表明改进的RBF神经网络提高了车辆识别的正确率,同时减少计算的迭代次数.     

基于RBF神经网络的软件成本估算模型

软件成本估算是软件开发过程中一项非常重要的活动,但现有的方法在准确估算软件成本方面还存在不足。针对软件成本估算不够准确的现状,提出了一种基于RBF神经网络的软件成本估算模型。该模型采用样本聚类的方法确定隐含层节点数,利用遗传算法对隐层节点中心值和高斯函数的宽度进行优化,利用线性最小二乘法训练网络的权值。实验证明,该模型能够准确有效地估算软件成本。     

融合K-means和RBF神经网络的汉字识别算法

对于自然场景中拍摄的汉字图像,现有的汉字识别算法出现了很多问题,如传统的BP神经网络算法识别效率低下,传统的RBF神经网络算法识别准确率不高等,针对这些问题,论文提出了融合K-means和RBF神经网络的汉字识别算法.该算法通过引入减聚类算法,来计算出K-means算法的初始聚类中心及其个数,接着用K-means算法计...     

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神经网络的入侵检测优化算法研究

入侵检测系统在保障信息安全方面起着重要的作用,对入侵检测系统智能性的研究是当前信息安全领域的研究热点.针对入侵检测系统存在的离漏报率和误报率等缺点,在对RBF(Radial Basic Functions径向基函数)神经网络优化算法进行对比研究的基础上,利用遗传算法优化传统RBF算法的网络初始权重,成功地将GA-RBF...     

改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.     

采用SOM和RBF神经网络优化的水下航行器噪声源识别

本文提出利用SOM优化RBF网络隐层节点的方法提高噪声源识别的速度。用SOM对已有样本进行聚类,确定出各聚类的中心和半径,将其传送到RBF的隐层节点,再利用反向传播算法调整隐层到输出层的权值。通过新的样本来检验和比较优化前后的网络识别效果,验证了该方法的可行性和有效性。     

基于隐层优化的RBF神经网络预测模型

提出一种基于隐层优化算法的RBF神经网络预测模型——HLOA-IRBFM。在传统的免疫径向基神经网络模型(IRBFNM)的基础上引入粗糙集,将初始隐层空间进行划分。定义隐层区域密度和相对近似度等概念,提出边界区域中冗余点和孤立点的约减算法。优化后的隐层空间分布均匀,能以较少的中心数覆盖整个样本空间,弥补了IRBFNM模型过分依赖参数选取的不足。实验结果证明,HLOA-IRBFM模型比IRBFNM模型在预测性能方面具有更好的稳定性和准确性。     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

基于RBF神经网络和改进遗传算法的货车车锁检测

为实现货车自动检测记录系统，需要根据货车图象检测进站货车的车锁是否存在，为此，提出了一种基于RBF神经网络和改进遗传算法的货车车锁检测方法，该方法首先提取图象的投影特征，边缘图象的线性短特征以及灰度直方图特征，然后用RBF神经网络进行检测和定位，同时引入遗传算法，利用改进后的遗传算法的高并行性和鲁棒性，可以较快地完成全局搜索，而不会陷入局部最优，实验表明，该方法能有效克服车锁种类多，变形大，以及光照变化的影响，具有较高的速度和检测成功率，能满足于实际应用。     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。     

基于GA优化RBF神经网络的机器人轨迹规划

针对机器人在不确定环境下末端执行器运动轨迹的准确性及平稳性问题,采用基于遗传算法(GA)优化径向基函数(RBF)神经网络的轨迹规划方法对Kinova Mico2机器人进行轨迹规划研究。介绍了机器人的相关参数及坐标系、建立了D-H矩阵和运动学模型。提取机器人实际抓取物品的直线轨迹并等分插补,用GA优化并实时在线更新RBF神经网络的权值,以更优的权值参数建立新的RBF网络。研究结果表明:相比优化前,基于GA优化RBF的规划轨迹逼近误差小且平滑稳定,仿真结果较为稳定,轨迹规划的可行性满足机器人实际抓取工作的需要。     

一种基于遗传算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法，采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化，用递推最小二乘法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中，验证了该算法的有效性。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

基于K-均值聚类的RBF神经网络血糖浓度预测

针对糖尿病患者血糖数据的复杂性与不稳定性,提出一种基于K-均值聚类算法的径向基函数（Radical Basis Function, RBF）神经网络的短期血糖预测方法。首先将动态血糖监测(Continous Glucose Monitoring System, CGMS)采集的糖尿病患者血糖浓度时间序列进行平滑滤波和归一化处理,提高血糖数据序列的光滑度,弱化原始血糖数据序列的随机性。然后对处理后的血糖浓度时间序列构造RBF网络,采用K-均值聚类进行优化,并用最小二乘法进行RBF网络的权值调整进而获得未来血糖浓度的预测值,从而保证预测的精度。     

遗传算法的RBF神经网络在线损计算中的应用

电力网线损率是综合反映电力网规划设计、生产运行和经营管理的一项重要指标。如何有效地降低电力网电能损耗、提高企业经济效益已成为迫切需要解决的问题。文中提出一种基于遗传算法的RBF神经网络对线损进行计算,并且针对RBF神经网络的隐含层与输出层相互独立和输出结果容易陷入局部最小等缺点,运用遗传算法对整个网络进行优化,另外对遗传算法进行了相应的改进。为了验证算法的可行性,文中以大庆油田某一地区的67条线路为样本进行仿真计算。实验结果证明了遗传算法优化的RBF神经网络在计算精度和训练速度上都有较大提高。     

基于蚁群聚类算法的RBF神经网络在压力传感器中的应用

针对压力传感器在应用中存在温度漂移这一缺点,提出了一种基于蚁群聚类算法的RBF(Radial Basis Function)神经网络温度补偿方法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法作为聚类算法来确定RBF神经网络的基函数的位置,并通过裁减的方法约简隐层的神经元达到简化网络结构的目的。通过仿真可以看出,该算法具有误差小,精度高等优点,对压力传感器的温度漂移有较好的补偿效果。