基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

神经网络在高校图书馆图书借阅流量预测中的应用

由于高校图书馆图书借阅流量具有一定的非线性特性,传统的回归分析、灰色模型等方法难以处理这种非线性时间序列问题,影响了预测精度。为了提高预测精确度,提出粒子群优化RBF神经网络的图书借阅流量预测模型。该方法以图书馆图书借阅流量历史数据进行RBF神经网络建模,采用粒子群算法对RBF神经网络参数进行优化,最后建立了图书借阅流量动态响应模型。预测结果表明该模型预测结果合理,精度较高,为图书馆提高工作效率和服务质量提供了参考依据。     

广义RBF神经网络在煤矿冲击地压预测上的应用

本文将广义径向基函数（RBF）神经网络应用于华丰煤矿实测的煤矿中冲击地压数据的建模和短期预报。在网络设计上,本文采用了贝叶斯阴阳（BYY)和谐学习算法进行网络隐单元个数的确定和参数初始值的选取,而在参数学习上,本文则采用了同步LMS学习算法。实验结果表明,这种基于广义RBF神经网络的预测方法在精度和速度上有了显著的优势,能够满足在工程应用中的实际要求。      

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

一种用于RBF神经网络参数优化的亲属优先遗传算法

针对硬件实现RBF神经网络提出了一种亲属优先遗传算法,并用于RBF神经网络对中心值参数c进行优化学习.通过Matlab仿真对非线性函数y=sinc(x)进行逼近,并与BP算法、K-means聚类算法以及标准遗传算法进行比较,实验结果证实了所提出的算法的有效性和适用性,既避免了RBF神经网络的学习陷入局部极小,同时也提高了学习效率,为硬件实现RBF神经网络的片上学习提供了基础.     

基于VMPSO-RBF神经网络的话务量预测

为了更快速、准确地预测话务量,提出了速度变异的粒子群算法（VMPSO）,并与RBF算法相结合,形成速度变异的粒子群—RBF（VMPSO-RBF）神经网络算法,并且来训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与RBF神经网络方法和PSO-RBF神经网络方法相比较,该文提出的方法预测精度更高,收敛速...     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。     

自适应变系数PSO-RBF算法及其在预测工程的应用

RBF神经网络对于非线性预测具有较好的效果,但是其存在容易陷入局部最小值以及收敛速度慢等缺点,研究一种自适应变系数PSO算法对RBF神经网络的初始参数进行优化,之后由RBF神经网络对粒子群算法优化后的网络参数进行精细优化,从而提高神经网络的稳定性以及收敛效率和精度等。自适应变系数PSO算法主要是将自适应递减和递增因子以及自适应调节惯性权重算子策略引入到常规的PSO算法中,从而改进算法在搜索空间中的遍历性,提高寻找全局最优解的概率,提高收敛精度和效率。最后,以炼钢过程中的煤气消耗量与钢铁产量的非线性关系作为预测实例进行研究,使用结果表明,研究的基于自适应变系数PSO-RBF神经网络的预测模型具有很好的预测能力,能够在预测工程中发挥较大的作用。     

基于进化RBF神经网络的非平稳时间序列分析

针对非线性时间序列中的非平稳数据,本文结合差分平稳化和分阶遗传训练的方法,提出一种新的进化RBF神经网络结构及其学习算法。算例仿真结果显示,该算法在处理非平稳时间序列问题时具有一定的优越性。     

Environment-adaptation mobile radio propagation prediction usingradial basis function neural networks

This paper investigates the application of a radial basis function (RBF) neural network to the prediction of field strength based on topographical and morphographical data. The RBF neural network is a two-layer localized receptive field network whose output nodes from a combination of radial activation functions computed by the hidden layer nodes. Appropriate centers and connection weights in the RBF network lead to a network that is capable of forming the best approximation to any continuous nonlinear mapping up to an arbitrary resolution. Such an approximation introduces best nonlinear approximation capability into the prediction model in order to accurately predict propagation loss over an arbitrary environment based on adaptive learning from measurement data. The adaptive learning employs hybrid competitive and recursive least squares algorithms. The unsupervised competitive algorithm adjusts the centers while the recursive least squares (RLS) algorithm estimates the connection weights. Because these two learning rules are both linear, rapid convergence is guaranteed. This hybrid algorithm significantly enhances the real-time or adaptive capability of the RBF-based prediction model. The applications to Okumura's (1968) data are included to demonstrate the effectiveness of the RBF neural network approach     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

基于Smith预估补偿与RBF神经网络的改进PID控制

由于工业界普遍存在且难以很好地解决恒温控制的大滞后和非线性问题,特提出了将Smith预估补偿和RBF神经网络与PID控制相结合的改进PID控制算法。该算法利用Smith预估补偿对温度滞后问题进行处理,利用RBF网络在线学习能力进行PID参数的动态调整处理非线性问题,进而保证恒温控制使系统处于最佳状态。     

BP神经网络的一个带跳步策略的学习算法

本文利用模型逼近度的概念和跳步策略，给出了ＢＰ神经网络的一个自适应跳步学习算法，对Ｆｉｓｈｅｒ提出的分类问题和一个实际的非线性时间序列预测问题进行了计算，结果表明本文法取得了良好的效果。     

海杂波的短时非线性预测研究

海杂波预测是雷达信号处理和目标检测的研究热点。在海杂波具有混沌特性和非线性非平稳特点的基础上,研究了基于归一化RBF神经网络和最小二乘支持向量机（LSSVM）两种方法对海杂波时间序列进行非线性预测。考虑到海杂波是来自于移动海面的回波,预测应该考虑空间信息,因此提出一种基于LSSVM-耦合映像格子（CML）的海杂波时空预测,这样预测更具有物理意义。以实测海杂波数据作为预测的初始数据和预测效果比对,采用均方差和最大绝对误差作为预测效果评价标准。实验结果表明,由于LSSVM-CMI,算法考虑了海杂坡的时空信息,预测效果最优。     

Nonlinear time series modelling and prediction using Gaussian RBFnetworks with enhanced clustering and RLS learning

An improved clustering and recursive least squares (RLS) learning algorithm for Gaussian radial basis function (RBF) networks is described for modelling and predicting nonlinear time series. Significant performance gain can be achieved with a much smaller network compared with the usual clustering and RLS method     

结构优化的RBF神经网络学习算法

文章提出了一种自动“删减”隐层神经元的ＲＢＦ神经网络学习算法。模拟结果表明，该算法训练的ＲＢＦ网络不仅结构得以优化，同时性能良好，可能成功地应用于模式分类和时间序列预测问题中。