PSO聚类和梯度算法结合的RBF神经网络优化

针对制约径向基函数RBF神经网络发展及其应用的瓶颈问题,提出一种基于粒子群优化算法PSO的改进K-means聚类思想,以确定其隐节点的数目.结合梯度算法,通过最小化目标函数调节隐节点的数据中心、宽度和输出权值,最终达到优化RBF神经网络的目的;同时,将优化后的网络应用于滚动轴承故障模式识别.试验结果表明,该方法能自适应地确定RBF神经网络隐节点的数目并调整其结构参数,使网络具有较快的收敛速度和较高的收敛精度,从而准确地识别滚动轴承的故障模式.     

基于FPGA及RBF神经网络的电磁无损检测技术

电磁无损检测技术是无损检测领域的一个研究重点,针对电磁无损检测技术中的超声波处理,提出了一种基于FPFA的参数优化的RBF神经网络;首先,通过FPGA编程实现对电磁超声波信号的采集,设计了放大电路将原始的电磁超声波进行放大处理已满足RBF神经网络的需求;提出一种采用K-means聚类算法来计算RBF中径向基函数的中心和宽度的参数优化RBF算法,K-means聚类算法的初始聚类中心难以确定会导致RBF算法的参数无法优化,提出KL散度,采用数据密度分析法来计算K-means算法的聚类中心;试验表明,改进后的K-means算法的聚类误差的数量级为10~(-12),传统K-means算法的聚类误差为10~(-13),改进后的K-means算法的聚类结果更准;参数优化后的RBF神经神级网络对具有1.02 mm缺陷长度的发动机涡轮叶片的缺陷长度预测结果为0.9~1.1 mm,传统的RBF神经网络的预测结果为0.7~1.2 mm,参数优化后的RBF神经网络的预测结果更准确。     

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.     

采煤机滚动轴承故障诊断新方法

针对基于K-means聚类算法的采煤机滚动轴承故障诊断结果存在不稳定的问题,提出了一种基于TDKM-RBF神经网络的采煤机滚动轴承故障诊断新方法。该方法采用Tree Distribution算法确定K-means聚类算法的初始聚类中心,消除K-means聚类结果的波动性,采用K-means算法确定RBF神经网络的参数,再将训练好的神经网络用于故障诊断。仿真结果表明,该方法的聚类过程迅速,稳定性较高,提高了采煤机滚动轴承故障诊断的正确率。     

基于免疫聚类的RBF神经网络研究

通过分析以往人工免疫聚类算法的不足之处,提出了一种改进的基于人工免疫聚类与RBF神经网络的混合算法.该算法由两个阶段组成:第一阶段采用人工免疫机制来确定RBF网络隐层的聚类中心的位置和数量;第二阶段建立RBF神经网络,对输入样本数据进行学习、训练,求输出层的权值矩阵W.最后以肝病病证诊断进行仿真,建立基于免疫聚类的RBF网络模型.实验结果表明:该算法用于中医病证诊断的研究是可行的和有效的.     

一种RBF神经网络在语音识别中的应用

主要内容是建立一种基于RBF神经网络的语音识别系统,探讨RBF神经网络在语音识别中的应用.利用有序聚类算法对语音信号进行时间归整,构建一个RBF神经网络,采用自适应的方法确定网络隐节点的个数,用线性最小二乘法确定隐层到输出层的权值,用语音信号的LPCC参数的训练和识别.在Matlab中完成实验,语音信号的识别率达到85%,并且还有很大的提升空间.实验表明RBF神经网络在语音识别中有发展的前景.     

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.     

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.     

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算法计算出RBF神经网络算法的径向基函数的中心,最后确定径向基函数的宽度以及隐含层到输出层之间的权值.实验结果表明该算法有着较高的准确率,能有效地提高汉字识别效率,具有一定的实用价值.     

基于径向基函数神经网络的柔印专色配色系统

针对目前人工配色受配色者的生理、心理等主观因素影响,使产品质量难以保证这一问题,提出了基于径向基函数（RBF）神经网络的计算机柔印配色方法。该方法通过印刷实验获得样本数据,利用K均值聚类算法确定隐含层节点中心、采用伪逆法计算输出权值等参数,完成配色模型的建立。该配色模型可以快速完成柔印配色,并且具有较高的配色精度。     

Robust fusion algorithm based on RBF neural network with TS fuzzy model and its application to infrared flame detection problem

A robust fusion algorithm based on Radial Basis Function (RBF) neural network with Takagi–Sugeno (TS) fuzzy model is proposed in view of the data loss, data distortion or signal saturation which is usually occurred in the process of infrared flame detecting with multiple sensors. To initialize the model, the traditional K-means clustering algorithm is used to obtain the number of the fuzzy rules and the center of the membership function. Compared with the traditional RBF neural network with TS fuzzy model, the output of the node in the proposed model is constructed taking into account the membership degree of the feature components in each item of the output polynomial of the hidden layer nodes in consequent fuzzy network. A new weighted activation degree (WAD) is defined to calculate the firing strength (i.e., fuzzy rule applicability) of the fuzzy node instead of the commonly used Mahalanobis distance. The feature representation coefficients used in the above WAD fully consider the variant representation degree of different features in different fuzzy clusters, thus the developed method can deal with the abnormal outputs of the fuzzy rules caused by the variation of the feature components of the raw data obtained from the complex industrial environments. The robustness of the proposed approach is validated with experimental data obtained from a developed triple-channel infrared flame detector and the experiment results show that the convergence rate, accuracy and generalization ability of the proposed method are improved compared with the traditional RBF neural network with TS fuzzy model in Qiao et al. (2014) and the GA-BP (Genetic Algorithm-Back Propagation) model in Wang et al. (2016). In particular, the required number of the hidden layer nodes in the proposed approach is the least among the aforementioned methods.     

一种RBF神经网络的混合学习算法在CPI中的应用

根据RBF神经网络最常用的OLS算法、K-均值聚类算法和梯度下降训练学习算法,提出了一种基于正交最小二乘K-均值聚类梯度下降优化的RBF神经网络的混合算法。该算法克服了单一某种训练方法的不足,发挥了混合算法的长处,进行了CPI预测的仿真实验。结果证明：该方法是有效实用。     

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。     

遗传算法在电站锅炉燃烧优化中的应用

提出了一种新的RBF神经网络的设计方法,采用遗传-K均值聚类算法对RBF神经网络的隐层节点中心值进行优选,用遗传算法训练RBF神经网络的权值。以锅炉燃烧为实例,通过从现场采集的数据建立神经网络模型,并用遗传算法寻找最优输入变量组合,实现锅炉燃烧优化。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

基于神经网络的矿用红外瓦斯传感器检测模型的研究

文章简要介绍了瓦斯红外检测原理,指出了传统吸收型模型的不足,基于RBF神经网络的非线性逼近能力建立了一种红外瓦斯传感器检测模型,给出了RBF神经网络的组织,并对RBF神经网络进行了训练,得到了红外瓦斯传感器检测模型的RBF神经网络结构。实验结果表明,该模型误差小、精度高,可满足煤矿井下应用的需要。