基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测 ,提出了一种改进的RBF神经网络 ,并采用该网络对混沌时间序列进行预测。通过实例计算 ,预测效果较好。     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测,提出了一种改进的RBF神经网络,并采用该网络对混沌时间序列进行预测.通过实例计算,预测效果较好.     

基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

基于RBF神经网络的自相似业务流预测研究

根据自相似业务流量非线性和非平稳的特点,采用极大重叠离散小波变换（MODWT）对网络流量进行预处理,简化了数据拟合过程。结合一个结构简单的RBF神经网络构建预测模型,对Bellcore实验室的原始数据进行预测仿真,通过与AR、FARIMA和BP等预测模型在不同时间尺度下的一步预测结果比较,提出的预测方法在信噪比（SNR）上提高了1～2个dB,而且在多步预测中也有更好的优越性。     

基于EEMD与RBF神经网络的网络流量预测

网络流量预测对于网络性能和服务质量的提高具有重要意义。提出一种基于整体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与径向基函数RBF(Radial Basis Function)神经网络的预测模型,利用EEMD将长相关流量转化为短相关流量并应用RBF神经网络模型对流量数据进行建模及预测,不仅降低了算法的复杂度,而且有利于网络流量的实时预测。仿真试验结果表明,相比于自回归分数综合滑动平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神经网络模型及EMD(Empirical Mode Decomposition)与自回归滑动平均模型ARMA(AutoRegressive Moving Average Model),该模型具有更高的预测精度和良好的自适应性。     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

基于RBF神经网络和混沌映射的Hash函数构造

单向Hash函数在数字签名、身份认证和完整性检验等方面得到广泛的应用,也是现代密码领域中的研究热点。本文中,首先利用神经网络来训练一维非线性映射产生的混沌序列,然后利用改序列构造带秘密密钥的Hash函数,该算法的优点之一是神经网络隐藏混沌映射关系使得直接获得映射变得困难。模拟实验表明该算法具有很好的单向性、弱的碰撞性,较基于传统的Hash函数具有更强的保密性且实现简单。     

基于RBF神经网络的水泥强度预测

利用RBF神经网络的算法，建立了水泥强度的预测模型。通过实际数据比较计算，RBF神经网络明显优于BP网络，该模型为水泥强度的快速预测提供了一种新方法。     

用进化RBF神经网络控制Lorenz混沌

对镇定一嵌入在Lorenz混沌吸引子内的不稳定平衡点上的混沌轨道提出了一种利用进化RBF网控制混沌系统的新方法,采用了基于两层编码改进进化规划（IEP）的RBF网学习算法,要以同时确定网络的拓扑结构和参数,仿真结果表明本文控制Lorenz混沌响应速度快,控制精度高。     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

车用汽油机进气歧管空气流量智能测量模型

为了确保车用汽油机在运转工况下能获得最佳浓度的混合气要求,利用节气门元器件,基于压差式节流流量测量原理,通过对节气门旋转角度函数链神经网络拟合和节气门的流出系数拟合建立了车用汽油机进气歧管空气流量测量模型。实验验证结果表明:随着进气歧管压力升高,车用汽油机空气质量流量智能测量误差呈降低趋势,且其误差均小于5.0%。     

BP网络与RBF网络在感官评估中应用比较

介绍BP网络与RBF网络的方法原理以及二者在感官评估中的应用.利用企业提供的单料烟感官数据设计建立BP网络和RBF网络模型,并利用模型预测单料烟感官质量指标,然后通过行业专家提供的符合度公式对建立的模型进行评估,评估结果以百分比的形式展示.实验结果表明:在感官评估应用中,RBF网络模型预测性能优于BP网络模型.     

基于EMRBF情感神经网络的人脸识别

在现有RBF神经网络基础上引入情感因子,提出了一种情感径向基神经网络（EMRBF）,给出了EMRBF的结构,定义了新的训练准则函数,推导出了EMRBF网络权值训练算法,把EMRBF网络用于人脸识别系统。先采用PCA和LDA相结合进行人脸特征提取．然后设计EMRBF人脸分类器。在ORL人脸库上的实验结果表明,EMRBF网络的识别率达到98％,与普通RBF神经网络相比,性能明显提高。     

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

自适应径向基神经网络及其应用

提出一种基于硬C均值算法的自适应RBF神经网络。该算法根据网络训练误差的变化,在隐层到输出层的权值修改过程中,对学习步长进行自适应调节;对通常采用的基函数宽度的计算方法作了改进;对于硬C均值算法出现的死节点,则在程序运行中自动进行删除。利用该改进的自适应RBF网络进行某合成氨装置的氢氮比预测,网络计算误差小、收敛迅速、结果令人满意,表明网络具有良好的性能。     

基于SOFM与RBF神经网络的自由曲面重建

根据SOFM神经网络重构曲面样本点的内在拓扑关系,实现对散乱数据的工程近似化,利用RBF神经网络具有的强大非线性逼近能力,提出一种基于SOFM网络和RBF网络相结合的自由曲面重建方法.该方法可有效地解决RBF神经网络对大规模密集散乱点的曲面拟合时出现计算量大、数据网格化难、网络收敛速度慢等问题.     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于Adaboost集成RBF神经网络的高速公路事件检测

提出一种基于Adaboost集成RBF神经网络的高速公路事件检测方法。首先对高速公路事件检测原理进行分析,进行了相关的参数选择,确定了RBF神经网络的结构,然后采用改进的Adaboost方法集成RBF神经网络进行高速公路事件检测并给出了事件检测算法的步骤,最后进行了仿真实验,实验结果表明,该方法可以明显提高RBF神经网络性能（高检测率、低误报率）,且具有较强的泛化能力,适宜高速公路事件检测。     

用于信息处理的延时混沌神经网络

为了提高混沌神经网络用于信息处理的能力,采用一种参数调节控制方法,通过对一种延时对称全局耦合混沌神经网络的黏合参数的控制研究了网络的动态联想记忆,使被控网络在仅有部分神经元进入周期态的情况下达到输出稳定,并且稳定输出序列只包含与输入模式相关的存储模式及其相反模式。仿真实验说明网络具有良好的容错能力和很高的回忆正确率,适合应用于信息处理和模式识别。