基于径向基函数神经网络的智能嗅觉系统

提出了基于智能嗅觉系统的识别混合有毒气体组分浓度的方法。该系统包括两大部分：有毒气体传感器阵列模埠和径向基函数神经网络模块。前者用于获取反映有毒气体组分的电信号，后者用于提高识别混合有毒气体组分的选择性，降低气体传感器阵列中各个敏感器件的交叉灵敏度。径向基函数神经网络具有很强的非线性并行处理能力和容错能力，实例分析取得了满意的测量结果。     

基于径向基函数神经网络在非地震数据中的应用

针对径向基函数（RBF）神经网络的非线性特点,利用已控点来训练RBF网络,而达到预测未知非地震数据控点的目的。综合已知点和预测控制点,把得到的规则数据体大致对应相应空间进行排布用以全空间成像,最后利用相关软件对处理后的非地震数据进行了三维数据的成像,从而可以显示全息的三维信息,该方法显示出很强的处理问题的能力,同时该仿真结果也表明了该方法的有效性和可行性。     

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.     

基于混合递阶遗传算法的径向基神经网络学习算法及其应用

在研究径向基神经网络学习算法的基础上, 提出了一种新型的径向基神经网络学习算法———混合递阶遗传算法. 该算法将递阶遗传算法和最小二乘法的优点结合在一起, 能够同时确定径向基神经网络的结构和参数, 并具有较高的学习效率. 采用基于混合递阶遗传算法的径向基神经网络对混沌时间序列学习和预测, 取得了较好的效果.     

基于径向基函数神经网络的混沌干扰信号检测

为提高强混沌背景下谐波信号的检测能力,提高系统的信噪比,提出了一种在混沌背景噪声中提取正弦信号的RBF神经网络方法。依据混沌吸引子固有的几何特性和混沌系统轨迹点在流形中的演化规律,建立混沌系统的RBF神经网络单步预测模型,改进了网络的学习算法,利用RBF神经网络对输入扰动的敏感,预测出误差信号。分析了在低信噪比下的检测性能。通过对Lorenz流和实际舰船辐射噪声信号中的信号检测进行计算机仿真实验,验证了算法的有效性和可行性,并且实验表明信噪比最低达-40dB时,仍能有效检测出信号。     

混合型径向基函数神经网络检测PVC

采用径向基函数（ＲＢＦ）神经网络作为室性早搏（ＰＶＣ）的检测器,将ＱＲＳ波的模板以及其他不同物理意义的特征参数综合在一个检测网络中,构成一种由Ｇａｕｓｓ函数和Ｓｉｇｍｏｉｄ函数作为隐层点基函数的混合型ＲＢＦ网络,并且给出确定网络结构参数的方法。用ＭＩＴ心电数据库对算法进行验证,单层心电信号的室性早搏检出率达到９８．４６％。     

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。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

径向基神经网络在近似建模中的应用研究

为了在不依赖测试样本的前提下获取最优的径向基函数分布系数Opt_SPRD,从而构造出具有更高精度的径向基神经网络（RBNN）近似模型,提出了一种基于交叉验证的分布系数选取方法。该方法以分布系数与交叉验证误差之间的函数为基础,把对应于交叉验证误差最小值的分布系数作为Opt_SPRD的近似解。数值实验的结果表明,所提出的方法明显优于目前通行的缺省处理方法;与基于L-M BP算法的前馈神经网络近似模型相比,在所提出方法基础上构造出的RBNN近似模型具有更高、更稳定的精度。     

径向基函数神经网络在地铁列车故障诊断里的应用

本文主要针对地铁列车,提出了一种基于径向基函数神经网络的故障诊断方法.该方法采集地铁列车运行状态的相关数据,分类处理后作为训练样本,建立学习好的径向基函数神经网络.实际应用时,采集的地铁列车运行状态实时数据再作为神经网络的输入,借助神经网络的输出,从而能较为准确的判断出地铁列车发生的故障和将要发生的故障.     

基于可拓理论的RBF神经网络研究及其应用

针对径向基函数（RBF）神经网络构造时其结构和参数难以确定的问题,结合可拓理论对输入样本和基函数的中心向量建立物元模型,并借鉴第2类型可拓神经网络（ENN2）的聚类思想,根据样本分布,采用可拓分析及可拓变换动态调整隐节点数目和基函数中心,从而提出基于可拓理论的RBF（ERBF）神经网络.同时,通过UCI标准数据集进行了测试,并通过应用实例进行了验证,结果表明,ERBF结构和参数的确定方法简单、收敛速度快,且泛化精度、鲁棒性和稳定性均显著提高.     

基于基函数展开的双隐层过程神经元网络及其应用

提出一类基于基函数展开的双隐层过程神经元网络模型．过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力．在输入空问中引入一组函数正交基，将输入函数和网络权函数表示为该组正交基的展开形式，利用基函数的正交性简化过程神经元聚合运算．以旋转机械故障诊断和油藏开发过程采收率的模拟为例，验证了模型和算法的有效性。     

The improved radial basis function neural network and its application

Compared with other feed-forward neural networks, radial basis function neural networks (RBFNN) have many advantages which make them more suitable for nonlinear system modeling, and they have recently received considerable attention. In this paper, a RBFNN is employed to model strongly nonlinear systems. First, the problems of nonlinear system modeling are analyzed, and then the structure of the RBFNN as well as the training algorithm are improved to solve these problems. Finally, an industrial high-purity distillation column, which is a strongly nonlinear system, is successfully modeled with the improved RBFNN. Owing to the complexities of a nonlinear system, it is necessary to use a real-time model correction method to modify the parameters of the RBFNN model in real time. One efficient method is proposed in this paper. The idea is to employ the Givens transformation to modify the parameters of the RBFNN-based model. This work was presented, in part, at the International Symposium on Artificial Life and Robotics, Oita, Japan, February 18–20, 1996     

新型广义径向基函数神经网络结构研究

提出了一种新型的广义径向基函数(RBF)神经网络,并研究了该网络的学习方法.不同于传统三层结构的RBF网络,广义RBF网络增加了基函数输出加权层,并在输出层采用超曲面去逼近任意的非线性曲面.实例仿真结果表明,与传统的RBF网络相比,该网络具有良好的逼近性能,收敛速度快,可逼近任意多变量非线性函数.     

基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

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。     

基于径向基函数神经网络的多级离心压缩机混合模型

大型离心压缩机作为多影响因素和强非线性的复杂系统,其性能的准确预测难以实现.针对这一问题,结合径向基函数(RBF)神经网络,本文建立了多级离心压缩机性能预测的混合模型.首先基于热力学第一定律和压缩机能量损失机理建立了多级离心压缩机性能预测的机理模型.该模型无需任何实验确定的性能曲线,完全由压缩机的几何结构参数预测出压缩机在设计工况和非设计工况下的性能.然后利用RBF神经网络修正机理模型的误差,并通过对RBF神经网络的不断更新,进一步提高了模型的预测精度和适用性.将所建立的混合模型应用于实际的离心压缩机,结果表明该方法具有良好的预测性能.     

A forecasting system for car fuel consumption using a radial basis function neural network

A predictive system for car fuel consumption using a radial basis function (RBF) neural network is proposed in this paper. The proposed work consists of three parts: information acquisition, fuel consumption forecasting algorithm and performance evaluation. Although there are many factors affecting the fuel consumption of a car in a practical drive procedure, in the present system the relevant factors for fuel consumption are simply decided as make of car, engine style, weight of car, vehicle type and transmission system type which are used as input information for the neural network training and fuel consumption forecasting procedure. In fuel consumption forecasting, to verify the effect of the proposed RBF neural network predictive system, an artificial neural network with a back-propagation (BP) neural network is compared with an RBF neural network for car fuel consumption prediction. The prediction results demonstrated the proposed system using the neural network is effective and the performance is satisfactory in terms of fuel consumption prediction.     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.