基于Levenberg-Marquardt神经网络的复合材料力学性能预测

本文提出将基于Levenberg-Marquardt算法的前向多层神经网络用于预测复合材料的力学性能,该方法通过利用二阶导数信息,可以提高收敛速度和增强网络的泛化性能。以麦秆增强复合板材为例,建立成型温度、成型压力、纤维含量和保温时间四个影响因子到拉伸强度和冲击韧性的非线性映射。仿真结果表明,所建神经网络模型具有较好的学习和泛化能力,在预测力学性能中效果较好。最后利用该模型优化模压成型的工艺参数,找出最佳工艺参数的范围。     

径向函数网络对国民经济生产总值预测研究

为了建立国民经济生产总值（GDP）神经网络预测模型,构造了双层网络结构的基于径向基网络,通过学习训练,确定径向基数神经网络参数和结构。仿真结果表明,生成的径向基函数模型应用于国民经济预测比BP神经网络模型具有更高的预测精度和良好的泛化能力。     

基于PCA与RBF的焦炭质量预测模型

针对炼焦生产过程焦炭质量难于实时测量的问题,建立一种主元分析(PCA)和径向基函数(RBF)神经网络相结合的预测模型.通过机理分析确定焦炭质量的影响因素包括配合煤指标和炼焦过程操作参数;采用主元分析减少径向基函数网络的输入;最后采用k-均值聚类算法确定径向基函数隐含层的参数,并用最小二乘法确定线性输出层参数.采用炼焦生产过程现场数据进行仿真,结果表明,该模型具有学习速度快、跟踪性能好以及泛化能力强等优点,实现了焦炭质量的在线预测.     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

基于混合递阶遗传算法的径向基神经网络学习算法及其应用

在研究径向基神经网络学习算法的基础上, 提出了一种新型的径向基神经网络学习算法———混合递阶遗传算法. 该算法将递阶遗传算法和最小二乘法的优点结合在一起, 能够同时确定径向基神经网络的结构和参数, 并具有较高的学习效率. 采用基于混合递阶遗传算法的径向基神经网络对混沌时间序列学习和预测, 取得了较好的效果.     

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MATLAB R2008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。     

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。     

非径向对称的广义径向基神经网络的代理模型

为提高广义径向基神经网络代理模型的计算精度以及减少这种网络的计算量,提出并构建非径向对称核函数的广义径向基神经网络。采用径向对称的高斯核函数以及非径向对称的核函数对测试函数进行代理模型验证,从训练以及测试网络所需的时间、广义网络的隐层节点数、相对误差以及均方根误差等方面对代理模型进行评价,实验结果表明这种非径向对称的广义径向基神经网络的代理模型具有计算精度高、所需网络节点少、计算比较的次数少等优点。     

一种改进的RBF神经网络DOA估计方法

提出一种优化径向基函数神经网络来波方位(DOA)估计模型结构和参数的方法。利用误差准则函数的收敛性,合理确定模型的隐层神经元数目,根据阵列信号相位差特征的空间分布特点,选择具有代表性的隐层神经元的中心,构建的RBF神经网络更能反映阵列的测向能力。相比于目前的径向基函数神经网络测向模型的构建方法,改进的DOA估计模型具有更好的泛化性能,能够提高测向精度。实验结果验证了该方法的有效性。     

径向基函数神经网络在网络安全预测中的应用

网络安全态势预测目前已成为网络安全领域的重点研究对象。利用神经网络的非线性数据特性和处理混沌的优势,根据网络安全态势值在时间序列上所具有的非线性特点,提出一种基于径向基函数神经网络的网络安全态势预测方法。该方法通过训练径向基函数神经网络来发现态势值数据间的非线性映射关系,然后根据此关系来预测网络安全的态势值。仿真实验测试表明,采用径向基函数神经网络能够取得较高的精度,网络安全态势的变化趋势和实际数据基本吻合,并且由于预测绝对误差较小,网络安全态势值的变化趋势能够较好的反映出来。     

Prediction of reservoir sensitivity using RBF neural network with trainable radial basis function

Reservoir sensitivity prediction is an important basis for designing reservoir protection program scientifically and exploiting oil and gas resources efficiently. Researchers have long endeavored to establish a method to predict reservoir sensitivity, but all of the methods have some limitations. Radial basis function (RBF) neural network, which provided a powerful technique to model non-linear mapping and the learning algorithm for RBF neural networks, corresponds to the solution of a linear problem, therefore it is unnecessary to establish an accurate model or organize rules in large number, and it enjoys the advantages such as simple network structure, fast convergence rate, and strong approximation ability, etc. However, different radial basis function has different non-linear mapping ability, and different data require different radial basis functions. Nowadays, the choice of radial basis function in the network is based on experience or test result only, which exerts a great adverse impact on the network performance. In this study, a new RBF neural network with trainable radial basis function was proposed by the linear combination of common radial basis functions. The input parameters of the network were the influence factors of reservoir sensitivity such as porosity and permeability, etc. The output parameter was the corresponding sensitivity index. The network was trained and tested with the data collected from our own experiments. The results showed that the new RBF neural network is effective and improved, of which the accuracy is obviously higher than the network with single radial basis function for the prediction of reservoir sensitivity.     

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.     

变结构径向基函数网络及其在混沌序列在线预测中的应用

为了利用径向基函数(RBF)神经网络对混沌序列进行精确和快速的在线预测,提出一种在线构造变结构RBF神经网络的序贯学习算法。该算法建立实时更新的滑动数据窗口,通过学习窗口内的数据对隐节点进行增加和删除,动态确定RBF神经网络隐节点的数目及中心位置,并对隐层至输出层的连接权值进行在线调整。该算法具有调节参数少、学习速度快以及所得网络结构精简等特点。将该网络用于Mackey-Glass混沌时间序列的在线预测实验,结果验证该算法对该混沌序列具有良好的在线动态辨识和预测性能。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

一种结构自适应径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该网络中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中,改善了Ｋｏｈｏｎｅｎ 网络的性能,是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心,并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测,同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力,尤其在曲线拟合实验中,ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差,比Ｃ－ＭＥＡＮＳ的网络小一个数量级,可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。     

基于QPSO-RBF NN的混沌时间序列预测

提出一种基于量子粒子群优化算法训练径向基函数神经网络进行混沌时间序列预测的新方法.在确定径向基函数网络的隐层节点数后,将相应网络的参数,包括隐层基函数中心、扩展常数,以及输出权值和偏移编码成学习算法中的粒子个体,在全局空间中搜索具有最优适应值的参数向量.实例仿真证实了该方法的有效性.     

径向基函数神经网络的一种构造算法

提出了径向基函数(RBF)神经网络参数的一种新的学习算法——分类优化迭代算法。在此基础上,设计了RBF网络的一种构造算法。仿真结果表明了本文方法的有效性。     

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。     

基于改进RBF网络的多变量序列建模和预测

针对复杂系统多变量序列预测研究中数据样本过多、信息冗余等问题,从学习样本选择和聚类中心优化两方面对径向基函数(RBF)网络进行改进.基于复杂系统多变量时间序列,首先采用一个线性相关函数和一个非线性相关函数分别计算多变量状态间的线性相关性和非线性相关性,确定一个包含系统有效信息的小数据集;然后基于小数据集,采用K均值聚类方法确定RBF网络的隐层聚类中心,并引入局部搜索过程,优化聚类中心结果;输入其它训练样本,确定网络权值.仿真结果表明,与常规RBF网络学习方法比较,在隐层节点数目相同情况下,改进的方法有效地确定了网络的聚类中心,达到更好的预测精度.