基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

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。     

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PSO的RBF神经网络学习算法及其应用

提出了一种基于粒子群优化(PSO)算法的径向基函数(RBF)神经网络学习方法,首先利用减聚类算法确定网络径向基层的单元数,再用PSO对基中心和宽度进行优化,并与最小二乘法相结合训练RBF神经网络。将此算法用于混沌时间序列的预测,实例仿真表明此方法是有效的。     

基于神经网络方法的水声信号预测

由于海洋环境的复杂性和水声信道复杂的时变、空变特性，使得舰船辐射噪声是一种非平稳、非高斯过程。如能提前预测敌方舰船的辐射噪声，并有效地对敌进行水下对抗，先敌使用武器攻击，是克敌制胜的前提，也是我海军目前各型潜艇和水面舰艇急需解决的关键技术。文章根据水声信号的特点建立了预测模型和网络结构参数的设计。并分别采用BP神经网络和RBF神经网络对仿真信号和实际舰船水声信号进行预测。结果表明，利用神经网络预测水声信号达到了一定的效果，为今后进一步开展水声信号预测研究奠定了基础。     

基于SSA和RBF的单井产量预测方法研究

单井原油产量时间序列预测对把握单井的动态情况是非常有意义的,同时它也可以为油井工作状态评估和控制提供依据.针对单井原油产量时间序列的非周期性和非线性,需要利用黑箱模型对其进行建模与预测.本文研究了结合奇异谱分析和径向基函数神经网络对单井原油产量时间序列进行多步预测的方法,证明奇异谱分析方法可以有效地减少多步预测过程中的误差传递,从而提高多步预测的可靠性.利用实测数据对该方法进行了检验,证明该方法是有利于提高预测精度的.     

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.     

基于多二维RBF神经网络的航空雷达信号分选

针对航空雷达信号分选中侦察装备普遍存在的信号分选实时性差,分选结果经常出现增批、漏批现象的缺点.为了提高侦察系统在复杂电磁环境下准确快速的分选出雷达辐射源信号,根据径向基(RBF)神经网络通过理想数据训练后能够对未知数据进行分类的特点,将径向基神经网络算法用于对航空雷达侦察信号的分选,在此基础上提出了一种新型多二维径向基神经网络结构,通过与BP网络、RBF网络的对比,多二维径向基神经网络的识剐率优于其它几种网络,而且其结构便于实现.通过试验结果可以得出,多二维径向基神经网络能够提高雷迭信号分选的准确率.     

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.     

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。     

基于RBF神经网络建立税务预测模型的研究

简要地介绍了RBF神经网络的结构及训练算法，并分析了影响税收的一些主要因素。在此基础上提出了基于RFB神经网络的税收预测模型。实验及仿真结果说明了模型的有效性。     

混沌RBF神经网络异常检测算法

针对传统神经网络异常检测算法的准确率问题,文中将混沌和RBF（Radial Basis Function）神经网络相结合,既可利用混沌的随机性、初值敏感性等特点,也可发挥RBF神经网络大规模并行处理、自组织自适应性等功能。文中对混沌时间序列进行相空间重构得到相空间向量,作为RBF神经网络的输入,通过RBF神经网络构建电力负荷序列的拟合函数,在此基础上进一步预测,比较预测值与真实值的偏差,从而判断检测信号是否为异常信号。实验结果表明,该方法相对其他算法预测精度更高,具有较好的异常检测能力。     

基于蚂蚁算法的RBF网络参数的两阶段优化

提出了一种径向基函数(RBF)网络中心参数仿生优化算法,该算法基于改进的蚂蚁算法分两阶段完成。第一阶段为:首先进行网络参数范围估算,然后根据一定的步长对网络参数区间取离散点,最后蚂蚁根据在各个离散点的信息素的多少来选择路径,从而进行网络参数优化。第二阶段为:利用第一阶段的结果进行局部区间扩张,从而进行进一步优化。用蚂蚁算法优化后的网络对典型的混沌时间序列进行预测,结果表明其预测的各项误差低于常规的优化方法。     

自构造RBF神经网络及其参数优化

径向基函数神经网络的构造需要确定每个RBF的中心、宽度和数目。该文利用改进的聚类算法自动构造RBFN,考虑样本的类别属性,根据样本分布自动计算RBF的中心和宽度,并确定RBF的数目。所有的网络参数采用非线性优化算法来优化。通过IRIS分类问题和混沌时间序列预测评价自构建RBFN的性能,验证参数优化效果。结果表明,自构造RBFN不但能够自动确定网络结构,而且具有良好的模式分类和函数逼近能力。通过对网络参数的非线性优化,该算法明显改善了网络性能。     

基于RBF神经网络与RLS算法的均衡器

将径向基函数神经网络与横向均衡器相结合,采用递推最小二乘算法更新权值。将最小二乘误差作为代价函数以及与误差相关的变步长,使输出误差较传统的神经网络均衡器进一步减小,收敛速度得到提高。仿真结果表明,该均衡器对线性信道和非线性信道都表现出较好的性能,在较严重的非线性情况下其优越性更明显。     

基于GRBF神经网络的脱硫预报模型

脱硫过程是一个复杂的非线性系统,文章建立了一个基于RBF神经网络的脱硫预报模型,并提出使用GRBF算法,从而较好地解决了传统RBF神经网络中心难于确定,存在过拟合的缺点。实践证明,该算法应用在脱硫预报模型的建立中是合理的、可行的。     

基于RBF神经网络优化的装备保障系统效能评估

针对现有装备保障系统效能评估方法存在依赖专家经验、主观性强等问题,提出一种基于径向基函数（RBF）神经网络优化的装备保障系统效能评估方法。通过完备交叉与预变异策略对遗传算法（GA）进行改进,利用改进的GA对RBF神经网络中心、宽度及输出权值进行全局寻优,并采用优化的RBF神经网络实现装备保障系统效能评估。仿真结果表明,该方法相比AGA-RBF和GA-RBF评估方法能更准确地评估装备保障系统效能值,并且可在一定程度上降低评估过程中主观因素的影响,确保评估结果更客观真实。     

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。