径向基函数神经网络

本文介绍了径向基函数神经网络的基本结构，学习算法及收敛条件。     

基于径向基函数网络的经济时序预测模型

介绍了径向基函数(RBF)神经网络的结构和特点。给出了其在经济时间序列预测中的应用，较为系统地阐述了RBF神经网络在经济预测中应用的步骤和过程。与BP模型相比该模型在预测精度和收敛速度方面具有显著的优点。     

基于径向基神经网络的加速度计随机误差处理

神经网络应用于加速度计的随机误差处理,更接近真实值,因而比线性方法更优越近年来,BP神经网络受到了广泛重视,但径向基神经网络尚未得到重视径向基神经网络具有比BP神经网络更快的收敛速度,但是径向基神经网络能否达到全局最优解尚没有理论上的判别方法对BP神经网络和径向基神经网络在加速度计输出数据处理方面的优劣势进行了分析,分析时既考虑了数据量的增加,也考虑了优化性未来,对数据以最优化的方式进行大量处理将成为发展的趋势,也是走向实用化的切实可行的发展路径     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型，可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系，并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系．为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具．     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型,可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系,并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系.为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具.     

径向基函数神经网络实现数字地图压缩

提出了一种基于径向基函数(RBF)神经网络的数字地图压缩方法，给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此大大增强了其适应性。数字仿真表明该方法具有自动适应地形、参数配置合理、在线计算量小等特点。     

径向基神经网络在非线性系统辨识中的应用

本提了一种基于径向基函数神经网络对非线性系统进行辨识的方法、仿真及对模拟系统的辩表明,该方法有效可行。     

径向基函数神经网络地质曲面重建及应用

建立了一种适用于地质曲面重建的径向基函数（ＲＢＦ）神经网络模型,并给出了具体算法,和一般曲面插值方法相比,该模型对原始数据的分布和边界条件无特别的要求。因而适合于遭到模型有较大的实用价值,将该模型应用于某煤田,结果表明,该模型的拟合效果较好,能较好地反映煤层的实际分布情况。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

基于径向基神经网络的测井资料岩性识别

测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.数理统计等传统方法难以准确地反映测井资料与地层岩性的非线性映射关系,而具有分布处理、自学习、自组织和高度非线性的神经网络能够较好地解决这个问题.将径向基神经网络应用到测井资料岩性识别中,结合准噶尔盆地某井的实际测井资料和岩性剖面资料,建立基于径向基神经网络的岩性识别模型.实际应用表明,径向基神经网络可以用来进行岩性识别,收敛速度快,且识别正确率较高.     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于径向基函数神经网络的预测方法研究

提出了一种新的确定径向基函数中心的方法. 该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法从模糊聚类中心中进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准. 该方法集中了交叉迭代模糊聚类和正则化正交最小二乘法的优势,可有效减小网络规模,提高网络推广能力,而且能够避免数值病态情况发生. 以新疆伊犁河雅马渡站的年径流量预测为例进行计算,其结果验证了所提方法的有效性.     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于单调约束的径向基函数神经网络模型

径向基函数(radial basis function, RBF)神经网络是一种高效的前馈式神经网络。它结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,神经网络还未充分发挥其潜能。针对此,提出单调径向基函数神经网络(monotonic radial basis function neural network, MC-RBF)。MC-RBF引入Tikhonov 正则化方法确保优化问题解的唯一性与有界性。试验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。     

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

径向基函数神经网络在大坝安全监测数据处理中的应用

建立了大坝安全监测数据处理坝段挠度预测的径向基神经网络模型 ,与通常的BP神经网络模型进行对比 ,并与实测结果进行校核 .结果表明 ,对于所研究的问题 ,径向基函数网络避免了BP网络的局部极小及收敛速度慢等缺点 ,在精度、训练速度等方面优于BP网络     

一种基于神经网络的非线性时间序列模型

非线性时间序列分析是目前迅速发展的一个课题，这是因为在现实世界中许多现象都不能很好地用线性模型解决。文章首先分析了时间序列模型的建立机制，然后利用神经网络进行非线性信号处理，从而构造了一种新的神经网络非线性时间序列模型。该文将此方法与ＡＲ模型和ＳＥＴＡＲ模型进行了数值结果对比，结果表明该文提出的方法优于这两种方法。     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.