改进的径向基函数神经网络预测模型

在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

优化的RBF网络在特征选择中的应用研究

提出了一个自适应量子粒子群优化算法,用于训练RBF网络的基函数中心和宽度,并结合最小二乘法计算网络权值,对RBF网络的泛化能力进行改进并用于特征选择.实验结果表明,采用自适应量子粒子群优化算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,能够选择出较优秀的特征子集.     

基于聚类的RBF-LBF串联神经网络学习算法

为提高网络的泛化能力,研究了单层RBF神经网络和LBF网络组成的RBF-LBF串联神经网络,并提出了一种基于模式聚类的RBF-LBF串联神经网络的学习算法。该算法分别对单层RBF网络和LBF网络的输入进行模式聚类,以确定网络的初始结构,然后通过调整错分样本的类别,使之部分重叠或合并核函数。经双螺旋线问题仿真实验证明,该算法确具有很好的泛化能力且只需较短的训练时间。     

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数（RBF）神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.     

一种用RBF神经网络改善传感器测量精度的新方法

介绍一种利用径向基函数(RBF)神经网络和智能温度传感器DS18B20改善传感器精度的新方法。RBF网络具有良好的非线性映射能力、自学习和泛化能力,通过大量的样本数据训练构建了双输入单输出网络模型,采用改进的算法实现了传感器高精度温度补偿。     

基于留一准则的多尺度径向基函数网络

针对传统径向基函数(RBF)网络难以确定迭代停止条件的缺点,提出采用最小化留一误差来训练多尺度RBF网络的算法。分别使用全局k均值聚类算法和经验选择方法,构造RBF节点的中心和尺度参数备选项集合,利用正交前向选择方法逐步最小化留一误差,从而确定网络的每一项中心和尺度参数。实验结果显示,该算法能够自动终止新网络节点选择,不需要额外的迭代终止条件,与传统的RBF网络相比,能够产生稀疏性更高且泛化能力更好的径向基网络。     

改进的GGAP-RBF算法及其在函数逼近中的应用

在GGAP-RBF算法的基础上,提出RBF神经网络的一种改进算法,结合网络中隐层神经元径向基函数的宽度自适应调整算法和重合度阈值的动态调整方法.通过函数逼近领域中的3个Benchmark问题,改进算法与RAN、RANEKF、MRAN、IRAN和GGAP-RBF(GAP-RBF)算法做比较.仿真结果表明在需要较少隐层神经元和训练时间前提下,改进算法训练的网络有较好的泛化能力.     

基于复合适应度微粒群算法的神经网络训练

为提高神经网络的泛化能力,针对以均方误差为适应度的PSO算法在训练神经网络时会产生一定的过拟合问题,提出对均方误差和误差分布均匀度进行信息融合,构成复合适应度作为训练指标.实验结果表明,该方法可使网络的泛化能力得到明显的改善.