修正高斯模型神经网络的色谱重叠峰解析

目的 :研究色谱重叠峰解析新方法。　方法 :构造了以修正高斯模型 (EMG)为基函数的径向基函数神经网络 (EMG-RBFNN) ,在网络学习算法中提出采用基于共享小生境技术的约束最优保留两阶段遗传算法 :结构学习和参数最速梯度下降进化 ,从而使EMG-RBFNN具有结构学习能力 ,使该神经网络能够适应组分数未知的色谱重叠峰解析。尤其是在将气相和高效液相色谱EMG模型参数τ、σ和tR 之间的近似线性关系作为可行域约束条件引入算法后 ,极大地限制了算法可行的解空间 ,减少了局部最优解出现的概率 ,提高了算法运行效率。　结果 :将此新方法分别应用于计算机仿真色谱和 45例中药材HPLC ,算法可以以较高的精度解析出仿真色谱 ,实际色谱峰解析也有很高的解析精度。　结论 :该方法非常适用于组分数未知的各种色谱 (重叠 )峰的解析     

一类递归RBF神经网络模型的稳定性讨论

在径向基函数神经网络（RBFNN）和递归神经网络（RNN）的基础上,提出了一类新的递归径向基函数神经网络（RRBFNN）模型,它具有两种网络模型的优点。文中对它的渐近稳定性和学习算法进行了研究,并给出相关的定理和公式。仿真结果表明了该神经网络模型在控制不稳定非线性系统（如小车－倒摆系统）具有巨大潜力。     

用蛙跳算法优化RBF神经网络参数的研究

针对径向基函数（Radial Basis Functions,RBF）神经网络结构参数确定问题,提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量,作为蛙跳算法中的参数进行优化。以适应度函数为标准,在可行解空间中搜索最优解,并对蛙跳算法进行了改进。非线性函数逼近实验结果表明,该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差,具有更好的逼近能力。     

一种基于卡尔曼滤波和模糊控制的RBF神经网络新型学习算法

提出了基于Kalman滤波最优估计和模糊控制的径向基函数（Radical Basis Function, RBF）神经网络学习算法,用实例进行了仿真实验。结果表明,与传统的RBF网络学习算法比较,该算法具有明显快速的学习效率和较高的识别精度.     

基于傅里叶描述子RBFNN有杆泵井故障诊断

在对有杆泵井进行故障诊断过程中,采用了具有很强轮廓形状识别能力的傅里叶描述子作为RBFNN（径向基函数神经网络）的输入向量特征提取,通过分析比较基于梯度下降法和遗传算法的RBF网络各自特点,提出了一种基于傅里叶描述子的分层循环学习RBFNN算法。通过对非线性函数逼近的仿真实验证明了所提算法是准确有效的,最后利用MATLAB神经网络工具箱,建立分层学习算法的网络模型实现对有杆泵井的故障诊断,通过仿真测试验证了所提出的故障诊断方法能够准确地判断出有杆泵井故障类型。     

利用基于小波特征提取的网络模型解析色谱重叠峰

提出了一种新的色谱重叠峰解析模型——基于小波特征提取的RBF神经网络模型。首先利用小波变换奇异性的检测原理,从原始色谱信号中提取特征点,这些特征点蕴含了反映色谱峰形状的信息,包括重叠峰个数、保留时间等信息。由小波变换获得的特征点来确定RBF网络的隐节点数目和网络参数的初值,即将拐点对数作为隐节点数目,将峰宽估计值作为输出层连接权的初值,将峰高估计值作为隐节点宽度的初值。再用RBF网络来拟合原始重叠色谱信号,梯度下降法训练后获得的网络参数作为解析结果,实现了重叠色谱峰的分离。实验结果表明:本方法快速、准确、可靠,能有效解析未知组分数的重叠峰。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

基于遗传算法的径向基神经网络及其在同时测定Fe Mn Cu Zn中的应用(英文)

介绍了两种新的基于遗传算法的径向基神经网络(GA-Based RBFNN)训练算法。这两种算法均将遗传算法用于优化径向基神经网络的聚类中心和网络结构。第一种GA-Based RBFNN算法对所有训练样本采取二进制编码构成个体,优化径向基函数中心的选取和网络结构;第二种GA-Based RBFNN算法中,RBFNN采用自增长算法训练网络隐含层中心、采用十进制对距离因子ε编码构成染色体,优化网络。将两种GA-Based RBFNN算法应用于Fe、Mn、Cu、Zn同时测定的光谱解析,计算结果表明,本文的GA-Based RBFNN算法较通常的遗传算法与径向基人工神经网络(GA-RBFNN)联用,即在GA选择变量的基础上,再用RBFNN作数据解析的GA-RBFNN方法,在增强网络的泛化能力、提高预测的准确性等方面具有明显的优势。从这两种GA-Based RBFNN的比较看,第二种算法在性能上优于第一种算法。     

基于遗传算法的径向基神经网络及其在同时测定Fe Mn Cu Zn中应用

介绍了两种新的基于遗传算法的径向基神经网络(GA-Based RBFNN)训练算法.这两种算法均将遗传算法用于优化径向基神经网络的聚类中心和网络结构.第一种GA-Based RBFNN算法对所有训练样本采取二进制编码构成个体,优化径向基函数中心的选取和网络结构;第二种GA-Based RBFNN算法中,RBFNN采用自增长算法训练网络隐含层中心、采用十进制对距离因子ε编码构成染色体,优化网络.将两种GA-Based RBFNN算法应用于Fe、Mn、Cu、Zn同时测定的光谱解析,计算结果表明,本文的GA-Based RBFNN算法较通常的遗传算法与径向基人工神经网络(GA-RBFNN)联用,即在GA选择变量的基础上,再用RBFNN作数据解析的GA-RBFNN方法,在增强网络的泛化能力、提高预测的准确性等方面具有明显的优势.从这两种GA-Based RBFNN的比较看,第二种算法在性能上优于第一种算法.     

径向基函数网络在数值计算中的应用

由经典的函数逼近理论衍生的很多数值算法有共同的缺点：计算量大、适应性差、对模型和数据要求高,在实际应用中受到限制。神经网络可以被用来计算复杂输入与输出结果之间的关系,故神经网络具有很强的函数逼近功能。该文给出了径向基函数网络（RBFNN）的结构及学习过程,重点阐述了RBFNN在函数逼近、求解非线性方程组以及散乱数据插值中的应用,结合MATLAB神经网络工具箱给出了数值实例,并与BP网络进行了比较。应用结果表明RBFNN是数值计算的一个有力工具,与传统方法比较具有编程简单、实用的特点,在工程和科学研究上若将其制成软件包则具有很好的使用价值。