径向基函数神经网络的软竞争学习算法

本文构造了径向基函数(RBF)神经网络的一类软竞争学习算法(SCLA).该算法的主要思想是首先在高斯基函数中心向量的训练过程中引入了隶属度函数,对每个输入样本,所有中心向量根据该样本属于其代表的类的隶属度值的大小进行自适应地调整;第二,把隶属度函数的模糊因子的倒数与模拟退火算法中的温度等同起来,在迭代过程中采用递增的方式来调整它.SCLA是RBF网络基于k-均值方法训练中心向量的学习算法的软竞争格式,它可以克服后者对初始值敏感和死节点的问题.仿真实验论证了SCLA是有效的.     

神经网络在自适应噪声抵消中的应用研究

本文将基于正交最小二乘的RBF神经网络算法引入自适应噪声对消中,提出一种基于最小二乘算法和径向基网络的自适应噪声抵消(adaptive filter based on least square algorithm and radial basis network,简称OLSRBFAF)算法。RBF网络因其具有良好的推广能力,简单的结构和快速的训练过程等诸多优点已被成功应用于很多领域。RBF神经网络中关键因素是基函数中心的选取,中心选取不当构造出来的RBF网络的性能一般不能令人满意。利用正交最小二乘(orthogonal least squares,简称OLS)算法选取RBF网络中心,解决了径向基函数网络构造这一关键问题。并由于OLS算法中采用了最小二乘(least-square,简称LS)准则,其对时变信道具有快速跟踪的能力。利用MATLAB仿真结果分析可知,通过将两种算法结合引入自适应噪声抵消系统,使该系统具有误差更小,消除噪声能力更强的优点。     

基于RBF神经网络的自适应均衡器研究

在研究基于径向基函数(ＲＢＦ)神经网络的均衡器结构以及传统自适应均衡算法的基础上,提出了两种新的基于ＲＢＦ神经网络的自适应均衡器,并给出了相应的自适应均衡算法。新的均衡器是将判决反馈引入到ＲＢＦ神经网络中以及将Ａｄａｌｉｎｅ网络与ＲＢＦ网络有机的结合而分别构成的,仿真结果表明这两种新算法比基于ＲＢＦ神经网络的自适应均衡算法都具有更好的收敛性能。     

径向基函数神经网络的再学习算法及其应用

为了应用径向基函数神经网络逐步地识别待研究系统,文章针对径向基函数神经网络的再学习算法开展了深入的研究.应用严格的数学推理方法,将径向基函数神经网络的再学习问题转化为矩阵求逆的附加运算.详细给出了径向基函数神经网络再学习算法中增加新训练样本和增加新基函数的数学公式,同时对如何获取新的训练样本进行了研究.     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

基于改进的径向基函数神经网络的辐射源算法研究

多传感器数据融合系统中辐射源识别技术占有重要的位置。本文结合改进的径向基网络给出了辐射源算法的实现结构。结合辐射源预分的数据特点对径向基中高斯核函数进行了修改,使得在不对处理样本初始化的条件下仍有很好的预分效果,预分后采用模糊匹配的方法,完成辐射源的识别。     

基于模糊匹配和神经网络的雷达辐射源识别技术

目前常用的雷达辐射源识别方法是数据库比较查询法．该方法实现简单,易于工程实践,但其识别效率取决于数据库的容量和质量．即对先验知识的依赖性强,缺少推理．灵活性差,特别是对于许多新体制雷达信号无法很好地识别。将利用模糊匹配和RBF神经网络两种算法,设计一种识别系统,该识别系统能够较好地识别复杂体制雷达信号,能应对目前雷达辐射源数据库不完善的实际情况。实验仿真表明,该识别系统具有较高的识别率,是一种可行的雷达辐射源识别方法。     

基于自适应RBFN阵列的说话人识别

提出一种可用于说话人识别的自适应RBFN阵列。RBF网设计的核心在于确定网络中心的数目及位置，该自适应算法有效地融合了IOC与ROLS算法的优点，不仅能动态调节RBF网的隐节点数，还能使网络的数据中心自适应变化，很好地优化了网络的结构。用与文本无关的闭集说话人识别系统对该算法进行了验证，实验结果表明，该方法与传统的RBF算法相比，自适应RBF网具有较好的鲁棒性以及精简的网络结构等优点。     

最小二乘算法在RBF神经网络中的应用

RBF神经网络构造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，可以使中心的选择步骤简单有效。文章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。     

一种基于因子分析改进的RBF神经网络算法

针对RBF神经网络在处理大规模多维数据时,网络结构不易设计、收敛时间较长、训练次数较多等不足,在原有的RBF神经网络模型的基础上,结合因子分析算法可以对大规模数据进行降维处理的优点,提出一种FA-RBF神经网络算法.利用该算法首先可以先对输入的数据进行降维处理,将处理后的数据作为神经网络的输入进行网络的训练和仿真.FA-RBF算法可以有效地简化网络结构、提高收敛速度、节省训练时间.将该算法用于私家车保有量的预测中,预测结果显示FA-RBF算法较之于PCA-RBF和RBF神经网络算法,其预测精度有所提高,训练时间及误差平方和都明显降低.     

一种新型径向基函数神经网络的非线性系统逼近

讨论了一种新的、正弦型径向基函数(SRBF)神经网络，并用来逼近n堆连续函数。该SRBF所采用的n堆正弦型的基函数是光滑的,并且是致密的。该SRBF网络的权因子是输入的低阶多项式函数。本文给出的一种简单计算程序，显著地降低了网络训练和计算时间。并且由于SRBF的基函数可以非均匀的量化格点为中心。因而降低了网络所需存储的样本数，网络的输出及其一阶导数都是连续的。对于非线性系统。该SRBF网络在系统定义城内的逼近是精确的。并且在存储参数的个数上是最优的。通过实例仿真，证明该方法步骤简单,训练速度快，精度也很理想。     

基于RBF神经网络的二相码旁瓣抑制

研究了RBF神经网络在二相码雷达旁瓣抑制中的应用,对神经网络的学习算法进行了改进,采用Levenberg-Marquardt（LM）算法优化隐层神经元的中心值和扩展常数,而用最小二乘（LS）法优化隐层至输出层的连接权值。对13位巴克码进行了仿真。仿真结果表明,改进的算法具有极快的收敛速度,可获得60dB以上的输出峰均值比,提高了雷达的探测性能。     

降维训练神经网络的圆阵列二维角估计

在信号二维达波方向估计中,神经网络训练集往往较大,一定程度上影响了神经网络在二维角估计中的应用,为此,提出一种降维训练方法,构造两个输入量,并各自形成独立训练集,在两个网络中分别训练俯仰角和方位角,极大地缩简了训练集。论文对降维训练方法进行了仿真,结果表明,所提方法十分有效。     

基于径向基函数神经网络的脉冲激光薄板焊接变形预测

以轿车用低碳钢薄板为实验样品,分析了脉冲激光焊接产生的主要变形方式。利用径向基函数神经网络对薄板焊接产生的横向收缩变形和横向弯曲变形进行预测。采用响应面法对实验参数进行优化设计。将脉冲频率、脉宽、聚焦镜焦距、离焦量、工件移动速度、保护气体种类、工件温度波动和光功率波动作为神经网络输入,提高了焊接变形预测的准确度。通过对比6种神经网络对薄板焊接变形预测的结果得出了最佳的网络结构。实验证明该神经网络对薄板焊接产生的变形有较高的预测准确度。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

一种利用自组织映射和径向基函数神经网络的网络拥塞预测方法

文中提出了一种利用自组织映射（KSOM）和径向基函数（KR）神经网络进行网络拥塞预测的方法．目前的研究表明,预测网络拥塞还存在一些问题,尤其在数据集比较小的时候．因此,为了使网络拥塞问题预测精度高,在预测过程中有必要考虑原有的数据集中每个数据之间的关系．现在为了获得更多的有价值的位置信息,采取了一系列的措施去满足不同数据的情况,包括使用自组织映射神经网络和径向基函数神经网络算法．这一过程使网络能满足不同类型的数据．在本文网络拥塞预测中,采用同一原始数据集,分别对利用自组织映射和径向基函数神经网络的算法和另外两种算法的性能进行比较．实验结果表明,利用自组织映射和径向基函数神经网络的算法具有更好的效果．