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.     

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.     

基于RBF神经网络的股票市场预测

提出了一种基于RBF(Radial Basic Function)神经网络的股票市场预测模型.RBF神经网络的结构简单,具有良好的全局逼近性能,以及非线性映射能力和高度非线性的特点.在这种情况下,根据股票数据是一类非线性较强的时间序列,对其进行预测,即从前N个数据中预测将来的M个数据,建立股票市场的短期预测模型,并以一个典型的实例加以分析和验证.     

改进RBF神经网络用于降雨量预测

利用基于GA的改进RBF网络建立了为时间序列为对象的预测模型,并提出了基于模型的数据处理方法,在此基础上,对安徽省蚌埠地区42年来6－8月份的降水量进行预测,结果表明了该模型在时间序列预测中有良好的推广和应用能力。     

基于RBF神经网络的粮库温度预测

由于粮库温度是非线性的时间序列,文章提出了基于RBF神经网络的粮库温度预测模型。该模型优于传统的粮库温度分析方法,又避免了BP算法容易陷入局部极小点和收敛速度慢的缺点。根据实验的仿真结果显示,该模型对于粮库温度的预测效果较好。     

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HMM与RBF的混合语音识别新方法

提出了一种隐马尔可夫模型（ＨＭＭ）和径向基函数神经网络（ＲＢＦ）相结合的语音识别新方法。该方法首先利用ＨＭＭ生成最佳语音状态序列,然后用函数逼近技术产生对最佳状态序列进行时间规正,最后通过ＲＢＦ神经网络进行分类识别。理论和实验结果表明,该系统比ＨＭＭ具有更好的识别效果,特别对提高易混淆词的识别性能尤为显著。     

基于模糊RBF神经网络的非线性滤波

该文从基本的智能技术——神经网络(NN)和模糊系统(FS)技术出发,探讨了神经网络与模糊系统相结合的基本理论,提出了一种基于模糊RBF神经网络的非线性滤波的方法。该方法将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来,网络结构参数可按实际问题调整,对信号中有色噪声进行较高精度的逼近,来达到非线性滤波的目的。该滤波方法显示出很强的处理问题的能力,学习速度快,仿真结果表明了这种方法的有效性和可性行。     

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.     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.     

EFFICIENT MARKOV NETWORK DISCOVERY USING PARTICLE FILTERS

In this paper, we introduce an efficient independence-based algorithm for the induction of the Markov network (MN) structure of a domain from the outcomes of independence test conducted on data. Our algorithm utilizes a particle filter (sequential Monte Carlo) method to maintain a population of MN structures that represent the posterior probability distribution over structures, given the outcomes of the tests performed. This enables us to select, at each step, the maximally informative test to conduct next from a pool of candidates according to information gain, which minimizes the cost of the statistical tests conducted on data. This makes our approach useful in domains where independence tests are expensive, such as cases of very large data sets and/or distributed data. In addition, our method maintains multiple candidate structures weighed by posterior probability, which allows flexibility in the presence of potential errors in the test outcomes.     

自适应RBF-LBF串联神经网络结构与参数优化方法

研究了前向单层径基函数(RBF)网络和前向单层线性基本函数(LBF)网络的分类机理,提出了RBF的中心和宽度应通过学习自动确定,在学习过程中根据错分样本被错分入的类别自动生成新的核函数这一观点．如果两个或两个以上核函数属于同一类,在输入空间相距较近且未被其它类别的样本分隔开来的情况下,则应考虑将之合并,或者使它们的作用区域部分重叠．从理论上阐明了采用Sigmoid活化函数的单层感知器的分类阈值为0．5,进而提出了由单层RBF网络和单层感知器组成的串联RBF—LBF神经网络．文中详细给出了确定该串联RBF—LBF神经网络结构、核函数个数、位置与宽度的优化算法．一般来说,该算法的计算复杂性比前向单隐层感知器采用的误差反传算法要小或至少相当．对几个经典的模式分类难题的处理结果表明,与一般RBF网络和前向单隐层感知器网络相比,该串联RBF—LBF网络及其自适应学习算法具有收敛速度快,分类精度高,易于得到最小结构,在学习过程中不易陷入局部极小点等优点,有利于实现实时分析．实验结果同时也验证了单层LBF网络对提高RBF—LBF网络分类正确率的重要性．     

基于神经网络的卫星钟差预报研究

针对卫星钟差的数学预测补偿问题,研究基于径向基函数神经网络的卫星钟差预报方法.以国际全球定位系统服务机构数据中心网站公布的卫星钟差数据作为输入样本,利用径向基函数神经网络进行学习训练,进行卫星钟差预报,将结果与线性插值法和多项式插值法以及数据中心发布的精密卫星钟差数据做比较,分析卫星钟差的预报精度.仿真结果表明,RBF神经网络逼近非线性函数的能力强、收敛速度快,卫星钟差预报精度高、残差波动小、拟合平滑度好.     

基于遗传算法的前向神经网络结构优化

对近几年应用遗传算法（Genetic Algorithm,GA）优化设计前向神经网络结构的研究进行了评述。指出了神经网络结构优化设计的重要性和目前各种方法存在的不足。介绍了神经网络结构设计原理和应用GA优化设计神经网络应着重考虑的两个问题：即结构表达策略和适应度函数设计。分别对近来应用GA优化设计多层感知器、径向基函数神经网络和径向基概率神经网络结构的研究进行了细致介绍和分析。指出了目前研究工作的不足和未来研究工作的发展方向。     

基于RBF神经网络的电机故障诊断的研究

在对国内外感应电动机故障诊断技术发展与研究的基础上,提出了从定子电流人手,利用径向基（RBF）神经网络算法来监测感应电动机工作状态,从而实现对电动机较为常见的电气故障和机械故障的综合检测。Matlab仿真结果表明RBF算法有效地实现了对电机故障诊断的研究。     

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。     

Parallel and interacting Markov chain Monte Carlo algorithm

In many situations it is important to be able to propose N independent realizations of a given distribution law. We propose a strategy for making N parallel Monte Carlo Markov chains (MCMC) interact in order to get an approximation of an independent N-sample of a given target law. In this method each individual chain proposes candidates for all other chains. We prove that the set of interacting chains is itself a MCMC method for the product of N target measures. Compared to independent parallel chains this method is more time consuming, but we show through examples that it possesses many advantages. This approach is applied to a biomass evolution model.