径向基网络光度法用于多组分分析

对神经网络在多组分光度法中的应用进行了研究。应用么薇基函数网络和ＢＰ网络,采用紫外光度法同时分析了色氨酸、酷氨酸和苯丙氨酸三元组分;采用速差动力学光度法同时分析了铜、锌、铁混合组分。实验证明,径向基函数网络在所需神经元和、训练时间、预测准确度等方面均明显优于ＢＰ网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

径向基函数网络的功能分析与应用的研究

径向基函数网络与BP网络在网络结构上都属于前向网络,但它们对网络权值训练所采用的算法是完全不同的。另外,径向基函数网络的网络结构与模糊系统有很紧密的关联。该文从径向基函数网络的结构入手,分别对其所具有的特点、权值训练、网络设计方法及其应用等方面,通过分析与实例,采用对比的方式,给予实验的验证。     

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。     

基于径向基函数网络的模拟电路故障诊断

本文首先介绍一种在逼近能力、分类能力和学习速度方面都优于BP网络的径向基函数网络:它是一种前馈型网络,与普通的前向网络有所不同;隐层神经元是径向基神经元。其次通过对它的结构及工作原理的了解,归纳出进行模拟电路故障诊断的方法,最后给出仿真实例。实验证明此方法与传统方法相比有更好的实时性和诊断效。     

径向基函数网络预测混合气体浓度

基于气体传感器阵列的混合气体分析方法及研究现状,对径向基函数神经网络对混合气体浓度预测进行了研究.用气体传感器阵列对由四种不同气体组成的混合气体进行测量并以这些测量数据为样本对径向基函数网络进行训练,训练后可使径向基函数网络对各气体成分的浓度预测误差不大于6%.     

径向基函数网络用于细菌的MALDI-TOF-MS分类

径向基函数（RBF）网络被用于根据基质辅助激光解吸／电离飞行时间质谱（MALDI－TOF－MS）对细菌的分类辨识。为了加速网络训练和减少网络的复杂性,本文采用小波变换对原始质谱数据进行压缩,将原来的13828个数据点压缩至328个,且保持了原来的特征谱峰。本文研究了在不同培养时间（24、48和72小时）的5种细菌分类,并对RBF网络参数的影响做了详细地研究,为生物学研究提供了有用的信息。结果表明,约60％以上的细菌样本能够被正确地分类辨识。由于细菌培养的生物学影响因素复杂,因而进一步严格控制细菌的培养条件是改善细菌分类正确率的关键。     

基于蚁群径向基函数网络的地下水预测模型

提出了一种基于蚁群算法的径向基函数神经网络,用它来进行地下水位预测,既具有神经网络广泛映射能力,又具有蚁群算法全局寻优、分布式计算等特点。实验表明,蚁群算法与径向基函数神经网络相融合能达到良好的预测效果。     

基于径向基函数网络的SFS算法研究

分析了现有从明暗恢复形状(SFS)的几种方法普遍存在对恢复的形状的连续性和光滑性的缺点,提出了一种基于径向基函数网络模型进行从明暗恢复形状的新算法。该算法先采用网络构造一个曲面方程,再利用反射函数作为约束条件,通过调整权因子和径向基函数中心和宽度对网络进行自学习,得到一个满意的曲面方程。理论和实验证明,该算法在恢复形状的准确性和曲面的光滑性,连续性上有较大改进。     

径向基函数网络的隐式曲面方法

将径向基函数网络与隐式曲面构造原理相结合,提出一种构造隐式曲面的方法．首先以描述物体曲面的隐式函数为基础构造三元显式函数,然后用径向基函数网络逼近显式函数,最后从神经网络的仿真超曲面得到描述物体的封闭曲面;并证明了在理论上此等值面可以以任意精度逼近物体曲面．该方法具有光滑度高、稳定性好,尤其适用少量采样点情形等特点．实验表明,它具有很强的造型能力．     

应用径向基函数网络进行足球机器人视觉系统的标定

在足球机器人视觉系统中,由于摄像机是普通的非量测摄像机,所以实际空间点的三维几何位置与其在图像中对应点之间是一种复杂的非线性映射关系,必须进行摄像机标定。由于基于精确模型的各种标定方法比较繁琐,而径向基函数网络可以实现从输入到输出的任意的非线性映射,论文将径向基函数网络应用于足球机器人视觉系统的标定,仿真实验结果表明该算法是确实可行的。     

基于径向基神经网络的人民币汇率预测

准确预测汇率对经济发展的各方面都有着重要影响。首先说明了径向基神经网络运作的基本原理,探讨了径向基神经网络汇率预测的重要步骤。接着利用径向基神经网络的数值逼近与记忆功能,根据汇率历史观测数值,对人民币的汇率的行为进行预测。实验结果表明,将径向基神经网络用于人民币的预测是可行的和有效的。     

基于GMM和ANN混合模型的语音转换方法

为了克服利用高斯混合模型(GMM)进行语音转换的过程中出现的过平滑现象,考虑到GMM模型参数的均值能够表征转换特征的频谱包络形状,本文提出一种基于GMM与ANN混合模型的语音转换,利用ANN对GMM模型参数的均值进行转换;为了获取连续的转换频谱,采用静态和动态频谱特征相结合来逼近转换频谱序列;鉴于基频对语音转换的重要性,在频谱转换的基础上,对基频也进行了分析和转换。最后,通过主观和客观实验对提出的混合模型的语音转换方法的性能进行测试,实验结果表明,与传统的基于GMM模型的语音转换方法相比,本文提出的方法能够获得更好的转换语音。     

基于一致判别相关分析的低分辨率人脸识别算法

相比于高分辨率(High resolution,HR)人脸图像,低分辨率(Low resolution,LR)人脸图像的识别效果较差.针对此问题,已有研究者提出基于典型相关分析和核典型相关分析的LR人脸识别算法,但其并未考虑样本的类信息和视图间的一致性.本文同时利用数据的类信息和视图间的一致性信息,提出一致判别相关分析...     

径向基神经网络在近似建模中的应用研究

为了在不依赖测试样本的前提下获取最优的径向基函数分布系数Opt_SPRD,从而构造出具有更高精度的径向基神经网络（RBNN）近似模型,提出了一种基于交叉验证的分布系数选取方法。该方法以分布系数与交叉验证误差之间的函数为基础,把对应于交叉验证误差最小值的分布系数作为Opt_SPRD的近似解。数值实验的结果表明,所提出的方法明显优于目前通行的缺省处理方法;与基于L-M BP算法的前馈神经网络近似模型相比,在所提出方法基础上构造出的RBNN近似模型具有更高、更稳定的精度。     

RBF网络光度法与BP网络光度法的比较

目的：探讨神经网络光度法用于复方制剂的含量测定。方法：训练集为按L25（5^6）正交表制备的25组标准混合液的吸光度数据和各组分的浓度数据,混合液中各组分的5个浓度水平分别为80％、90％、100％,110％和120％。预报集采用复方制剂的吸光度数据。网络的输入为混合物的吸光度,网络的输出为各组分的浓度。分别用径向基函数网络和Levenberg-Marqurdt优化算法的BP网络处理数据。结果：复方阿司匹林片和联磺甲氧苄啶片的紫外分光光度法测定结果表明,径向基函数网络在网络训练时间和测定精度等方面好于Levenberg-Marqurdt优化算法的BP网络。结论：径向基函数网络光度法测定复方制剂简便,准确。     

一种新的径向基概率神经网络模型(Ⅰ):基本理论

文中在径向基函数网络（ＲＢＦＮ）和概率神经网络（ＰＮＮ）的基础上，提出了一种径向基概率神经网络（ＲＢＰＮＮ）模型，这种网络保留了前两种网络模型的优点，既可以减少网络连接权值的训练时间，又能减少网络隐单元的数目，同时，网络用于测试的时间也较ＲＢＦＮ明显地下降．     

并联混合神经网络模型及应用研究

单一神经网络难以对复杂模型做出准确的预测,提出了一种并联型混合神经网络模型用于对复杂的系统进行预测,该模型由径向基函数网络、BP网络和控制模块组成。控制模块用于线性映射层,将两种单一神经网络的输出结合并得到最终的输出结果。详细地给出了混合模型的预测方法：首先,利用改进算法分别训练径向基函数网络和BP网络;其次,采用自适应遗传算法优化线性映射层以获得更好的预测精度;最后,利用两个实例比较单一神经网络和提出的混合网络的预测性能。实验表明,混合神经网络在预测精度上比单一网络具有更优的性能,同时,该混合模型为复杂系统提供了一种通用的预测工具。     

层次径向基神经网络的全局逼近理论

文中提出一种层次径向基神经网络ＨＲＢＦＮ,并且证明了ＨＲＢＦＮ是一个全局逼近器。ＨＲＢＦＮ更适合于具有层次结构的应用领域,因而具有极为重要的理论与应用意义。     

Prediction of Critical Desalination Parameters Using Radial Basis Functions Networks

Prediction of critical desalination parameters (recovery and salt rejection) of two distinct processes based on real operational data is presented. The proposed method utilizes the radial basis function network using data clustering and histogram equalization. The scheme involves center selection and shape adjustment of the localized receptive fields. This algorithm causes each group of radial basis functions to adapt to regions of the clustered input space. Networks produced by the proposed algorithm have good generalization performance on prediction of non-linear input–output mappings and require a small number of connecting weights. The proposed method was used for the prediction of two different critical parameters for two distinct Reverse Osmosis (RO) plants. The simulation results indeed confirm the effectiveness of the proposed prediction method.     

A Divide-and-Conquer Learning Approach to Radial Basis Function Networks

This paper presents a new divide-and-conquer based learning approach to radial basis function (RBF) networks, in which a conventional RBF network is divided into several RBF sub-networks. Each of them individually takes an input sub-space as its input. The original networks output then becomes a linear combination of the sub-networks outputs with the coefficients adaptively learned together with the system parameters of each sub-network. Since this approach reduces the structural complexity of a RBF network by describing a high-dimensional modelling problem via several low-dimensional ones, the networks learning speed is considerably improved as a whole with the comparable generalization capability. The empirical studies have shown its outstanding performance on forecasting two real time series as well as synthetic data. Besides, we have found that the performance of this approach generally varies with the different decompositions of the networks input and the hidden layer. We therefore further explore the decomposition rule with the results verified by the experiments.