基于混合递阶遗传神经网络的转炉温度预报

针对转炉控制中对吹炼终点温度的控制问题,提出了基于混合递阶遗传RBF神经网络(HGA-RBF)的转炉炼钢终点温度预报模型.研究了RBF网络的特点,用递阶遗传算法克服了网络的结构和参数选择的随机性问题;并结合最小二乘法,提高了收敛速度.仿真结果表明,此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度.某钢铁公司提供的实际冶炼数据试验,也证明了该模型预报精度较高,对提高生产的质量有重要意义.     

RBF 神经网络的递阶遗传训练新方法

针对RBF网络的特点,提出一种递阶遗传算法,不仅可以同时确定网络参数(连接权、隐节点中心和宽度),而且解决了网络拓扑结构的优化训练问题。算例仿真表明所提出的算法是很有效的。     

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.     

基于自适应小生境递阶遗传算法的RBF均衡器

递阶遗传算法(HGA)一次只能确定一个最优个体。采用小生境递阶遗传算法,依据进化信息自适应调整小生境区域,在均衡数据误比特率最低,隐层中心聚类有效性最佳的基础上,可以从多个进化优解中确定出最佳结构的径向基(RBF)神经网络均衡器。仿真结果验证了算法的有效性和稳定性。     

基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题,提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法,利用该算法同时优化模糊加权神经网络的结构和参数,最后说明了从网络中提取模糊规则的方法,从而自动获得最优的模糊规则。分析和实验结果表明,本文方法在规则提取和分类准确性等方面比其他方法更好。     

基于自适应递阶遗传算法的洪水预报模型

基于递阶结构的遗传算法可以同时对BP神经网络进行结构优化和权重求解。采用收缩解空间的方法可以有效提高算法的收敛速度和精度。采用先进行自适应递阶遗传算法获得最优网络结构及参数,再用BP算法对网络进行训练,并应用于洪水预报模型,可以获得较高的精度。     

自适应递阶遗传算法优化BP网络的程序设计

主要阐述了一种新的遗传算法-自适应递阶遗传算法的基本原理,解决了长期以来无法同时对神经网络拓扑结构和神经网络的权值和阈值进行优化的问题,设计了一个基于自适应递阶遗传算法的BP神经网络学习算法,给出了具体的程序设计,并且利用MATLAB平台进行仿真计算.实验结果表明,该算法比一般遗传算法具有明显的优越性,可以避免神经网络陷入局部最优,迅速优化网络的拓扑结构,提高了网络的学习性能,具有一定的实用性.     

前置生物膜脱氮污水处理系统的神经网络预测模型研究

针对前置生物膜脱氮污水处理系统（ABAF/0BAF）的多变量、不确定性、非线性等特点,以某污水处理厂的实际运行数据为基础,采用人工神经网络（ANN）的方法,建立了ABAF/0BAF基于混合递阶遗传算法的RBF神经网络预测模型。模型运算结果表明,预测值和实测值能较好地吻合,起到了模拟预测的效果,同时能优化运行状态。该模型的建立为ABAF/0BAF的预测及运行管理供了一条简便实用的途径,具有良好的研究和工程实用价值。     

基于RBF神经网络预测模型的VLSI生产线智能控制算法

为了对半导体生产线进行预测控制,首先研究了利用RBF神经网络对半导体生产线建立预测模型的方法,然后利用马氏决策过程递阶方法的思路,将系统状态分成若干互不相交的区间,系统状态所属区间改变时,根据预测模型的输出,即预测的系统状态,利用所提出的智能控制算法确定将要采取的投料策略和调度策略组合对生产线进行控制．实验表明,该算法的总体性能优于若干其他常用算法．     

基于自适应递阶遗传算法的神经网络优化策略

基于递阶结构的遗传算法可以同时对多层前向神经网络进行结构优化和权重求解。与基本的遗传算法相比，这种算法不仅在权重训练方面更加快速稳定，而且能在学习过程中确定网络的拓扑结构，具有较高的学习效率，而在遗传过程中采用自适应的交叉和变异概率能有效加快遗传速度和避免早熟现象的出现。     

基于PSO-ICA 和RBF 神经网络的转炉炼钢终点预报模型

提出将微粒群优化算法和独立成分分析引入到径向基函数神经网络模型用于转炉炼钢终点预报．利用 微粒群优化算法的全局遍历特性和快速不动点算法的局部寻优能力,改进了传统的独立成分分析算法,解决了其目 标函数易陷入局部最优和独立特征排序不确定的问题,压缩冗余信息并降低输入维数．将提取出的独立特征输入径 向基函数神经网络,预报终点温度和碳含量．对转炉生产实测数据进行了仿真,结果表明该模型能有效提高预报精 度,保证预报的可靠性．     

基于遗传算法的RBF网络用于股票短期预测

采用改进的遗传算法（GA）优化径向基函数（RBF）网络,提出了一种新颖的确定RBF网络参数的方法,并用优化的RBF网络用于股票的短期预测,其结果与实际值吻合效果较好,证明了该方法的有效性。     

Improved CBP Neural Network Model with Applications in Time Series Prediction

Circular back-propagation neural network (CBP) put forward by Sandro Ridella and Stefano Rovetta, a generalized model of multi-layer perceptron (MLP), possesses strong capabilities of generalization and adaptation to unknown inputs. And they can flexibly construct vector quantization (VQ) and radial basis function (RBF) networks under the CBP framework. With the original structure of CBP remaining unchanged, in this Letter a more generalized network model ICBP (Improved Circular Back-Propagation Neural Network) was designed by adding an extensive node with quadratic form to the original CBP inputs and endowing fixed values to the weights between this node and all the hidden nodes. An interesting property of ICBP is that although it has less adaptable weights, it is better in generalization and adaptability than CBP. Moreover, in order to partially solve the problem of local minima, we adopt the method of adding controlled noise to desired outputs. Finally, ithas been proved by experiments that ICBP is better than CBP in the capabilities of forecasting and function approximation.     

Using a New Model of Recurrent Neural Network for Control

This paper shows the results obtained in controlling a mobile robot by means of local recurrent neural networks based on a radial basis function (RBF) type architecture. The model used has a Finite Impulse Response (FIR) filter feeding back each neuron's output to its own input, while using another FIR filter as a synaptic connection. The network parameters (coefficients of both filters) are adjusted by means of the gradient descent technique, thus obtaining the stability conditions of the process. As a practical application the system has been successfully used for controlling a wheelchair, using an architecture made up by a neurocontroller and a neuroidentifier. The role of the latter, connected up in parallel with the wheelchair, is to propagate the control error to the neurocontroller, thus cutting down the control error in each working cycle.     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播(FCP)网络辨识器和径向基函数(RBF)神经网络控制器组成,仿真结果表明了该方案的有效性。     

RBF神经网络在函数逼近领域内的研究

RBF神经网络构造中的关键问题是网络中心的选取,最小二乘算法采用正交化方法,独立计算回归算子对输出的贡献,故使中心的选择步骤简单有效.给出了最小二乘算法及其应用函数逼近的实例,结果证明,由于计算过程中应用了这一算法的正交化性质,所以网络调整时对已有模式的扰动达到最小.这说明最小二乘算法不仅简单有效,而且性能优越,并有较强的实用性,在许多领域有广泛应用.     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

基于改进RBF神经网络模型的SOFC性能预测方法

固体氧化物燃料电池(SOFC)测试存在费用高、实施困难以及耗时长等问题,因此,提出了一种基于径向基(radial basis function, RBF)神经网络的SOFC建模方法。首先采用数据驱动的方式利用RBF神经网络模型对电池中阳极、阴极、电解质厚度等微观结构对SOFC性能的影响进行分析,然后针对RBF神经网络模型参数选取困难、易陷入局部极值的问题,提出一种改进果蝇算法(improved fruit fly optimization algorithm, IFOA)对其进行优化,自动确定模型参数的同时确保其收敛于全局最优解。仿真结果表明,所提方法能够准确描述微观结构变化对SOFC性能的影响,相对于支撑向量机(support vector machine, SVM)模型能够获得更高的预测精度。