基于神经元特性的径向基函数神经网络自组织设计方法

针对径向基神经函数(RBF)网络隐层结构难以确定的问题,本文介绍了一种基于神经元特性的RBF神经网络自组织设计方法,该方法将神经元的激活活性、显著性、相关性相结合设计RBF(ASC–RBF)神经网络.首先利用神经元的激活活性,实现隐含层神经元的自适应增加,结合神经元的显著性以及神经元之间的相关性,实现神经元的自适应替换和合并,完成网络自组织设计并提高网络的紧凑性,然后利用二阶梯度算法对网络参数进行修正学习,保证了RBF网络的精度;另外,针对网络结构自组织机制给出了稳定性分析;最后通过两个基准非线性系统建模仿真实验以及实际污水处理过程水质参数预测实验验证,证明该算法的有效性.对比实验结果表明, ASC–RBF神经网络与现有的自组织网络相比,在保证泛化性能的同时,该网络的训练速度更快,而且有更紧凑的网络结构.     

RBF神经网络的结构动态优化设计

针对径向基函数(Radial basis function, RBF)神经网络的结构设计问题, 提出一种结构动态优化设计方法. 利用敏感度法(Sensitivity analysis, SA)分析隐含层神经元的输出加权值对神经网络输出的影响, 以此判断增加或删除RBF神经网络隐含层中的神经元, 解决了RBF神经网络结构过大或过小的问题, 并给出了神经网络结构动态变化过程中收敛性证明; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对非线性函数的逼近与污水处理过程中关键参数的建模结果, 证明了该动态RBF具有良好的自适应能力和逼近能力, 尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks, MRAN)与增长和修剪RBF 神经网络(Generalized growing and pruning radial basis function, GGAP-RBF) 有较大提高.     

基于改进RBF神经网络的入侵检测研究

近年来,神经网络技术在入侵检测中得到了广泛应用,其中最具代表的是BP神经网络,但其本身所具有的局部极小性质限制了检测性能的提高。RBF神经网络在一定程度上克服了BP神经网络存在的问题,但如何确定一个合适的RBF网络隐层神经元中心个数又是保证其应用效果的关键之一。因此,将基于熵的模糊聚类和RBF神经网络相结合,提出了基于EFC的改进RBF神经网络算法,并将该方法应用于入侵检测研究。实验表明,该算法可以获得满意的性能。     

新型广义径向基函数神经网络结构研究

提出了一种新型的广义径向基函数(RBF)神经网络,并研究了该网络的学习方法.不同于传统三层结构的RBF网络,广义RBF网络增加了基函数输出加权层,并在输出层采用超曲面去逼近任意的非线性曲面.实例仿真结果表明,与传统的RBF网络相比,该网络具有良好的逼近性能,收敛速度快,可逼近任意多变量非线性函数.     

基于模糊调整的径向基函数网络图像恢复算法

为了解决传统图像恢复中存在的建模难的问题,提出了一种基于RBF神经网络的图像恢复算法,该算法利用RBF神经网络的非线性映射能力和适应性,通过记录退化过程的逆过程来恢复图像。首先改进RBF网络中心参数的确定过程,提出基于模糊调整的中心参数学习算法,然后用模糊调整后的网络进行图像恢复。仿真结果表明,改进的RBF网络可对典型退化图像进行令人满意的恢复。     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

基于主成分分析的网络入侵检测研究

网络入侵数据常常体现为高维、线性不可分性。RBF神经网络没有降维处理的功能,所以直接对原始数据进行检测速度相当慢,影响网络入侵检测的实时性。如果采用传统的选择性删除法进行降维处理,会造成信息的丢失,影响网络入侵的检测精度。为了提高网络入侵检测率和检测速度,提出一种主成分分析(PCA)和RBF神经网络相结合的网络入侵检测方法(PCA-RBF)。PCA-RBF在通过PCA对网络入侵原始数据进行维数和消除冗余信息处理的基础上,构建RBF神经网络入侵检测模型。仿真结果表明,相对于传统的RBF方法,PCA-RBF降低了漏检率、误检率、检测时间,提高了检测正确率,具有良好的检测性能。     

改进的Fuzzy-Artmap网络在遥感图像分类中的应用

提出了一种新的神经网络RBF Fuzzy-Artmap网络,该网络由径向基(RBF)神经网络和Fuzzy-Artmap网络构成.因为在Fuzzy-Artmap网络结构中使用了RBF网络的学习方法,因此克服了RBF网络和Fuzzy-Artmap网络的缺点,具有在线增量学习的功能,且不受样本输入顺序的影响.将新型网络应用到遥感图像分类中,得到了满意的分类精度,是一种有效的图像分类方法.     

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。     

基于RBF神经网络的声纹识别的研究

本文建立了一种基于RBF神经网络的声纹识别系统。提取了Mel频率倒谱系数及其一阶差分参数,利用时间规整网络对所得参数进行了有效的简化,运用RBF神经网络对声纹特征参数进行了训练和识别。Matlab的实验结果表明,RBF神经网络在声纹识别中具有良好的发展前景。     

Reformulated radial basis function neural networks with adjustable weighted norms

This article presents a new family of reformulated radial basis function (RBF) neural networks that employ adjustable weighted norms to measure the distance between the training vectors and the centers of the radial basis functions. The reformulated RBF model introduced in this article incorporates norm weights that can be updated during learning to facilitate the implementation of the desired input‐output mapping. Experiments involving classification and function approximation tasks verify that the proposed RBF neural networks outperform conventional RBF neural networks and reformulated RBF neural networks employing fixed Euclidean norms. Reformulated RBF neural networks with adjustable weighted norms are also strong competitors to conventional feedforward neural networks in terms of performance, implementation simplicity, and training speed. © 2003 Wiley Periodicals, Inc.     

一种新的RBF神经元网络分类算法

为了改善对人工神经网络行为的认识和研究中的"黑匣子"式的难以处理的状态,基于RBF神经元模型的几何解释,提出了一种新的RBF神经网络分类算法,算法把RBF神经元看作是高维空间里的超球面,从而将神经网络训练问题转化为点集"包含"问题.同传统的RBF网络相比,算法能够自动地优化RBF网络中核函数的个数、中心和宽度,同时,省去了传统RBF神经网络输出层线性连接权的计算,简化了网络的学习过程,大大缩短了训练时间,并且通过实验证明了算法的有效性.     

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

确定RBF神经网络隐层节点数的最大矩阵元法

针对基于训练样本输入信息进行非监督聚类来确定RBF神经网络隐层节点数的方法存在利用信息不充分的缺陷,该文提出了一种新的确定RBF神经网络隐层节点数的方法。利用训练样本输入输出全部信息建立样本间的相似矩阵,然后采用最大矩阵元法来确定RBF神经网络隐层节点数。实验仿真表明,该方法是有效的。     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

基于遗传算法的RBF神经网络的优化设计方法

该文提出了一种新的RBF神经网络的设计方法，采用遗传算法对RBF神经网络的隐层节点中心值进行进化优选，用自适应梯度下降法选择隐层节点高斯函数的宽度，用递推的最小二乘法训练RBF神经网络的权值，仿真结果证明了该方法的有效性。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。