改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.     

基于聚类算法的RBF神经网络设计综述

简要分析了径向基函数（RBF）神经网络。在此基础上,介绍了K-均值聚类算法的神经网络、C-均值聚类算法的神经网络和PAM聚类算法的神经网络三种聚类算法的RBF神经网络。展望了基于聚类的RBF神经网络设计的发展趋势。     

基于聚类RBF神经网络的人体行为识别

提出基于聚类RBF神经网络的人体行为识别方法。通过基于单模态高斯背景模型的背景差分法提取动作轮廓;采用基于中心距的傅里叶描述子,对图像轮廓线进行处理,降低了特征的维数;利用谱聚类算法提取行为序列的关键特征向量,采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明,该方法能有效识别人体行为类别,应用效果满足实际要求。     

一种RBF神经网络在语音识别中的应用

主要内容是建立一种基于RBF神经网络的语音识别系统,探讨RBF神经网络在语音识别中的应用.利用有序聚类算法对语音信号进行时间归整,构建一个RBF神经网络,采用自适应的方法确定网络隐节点的个数,用线性最小二乘法确定隐层到输出层的权值,用语音信号的LPCC参数的训练和识别.在Matlab中完成实验,语音信号的识别率达到85%,并且还有很大的提升空间.实验表明RBF神经网络在语音识别中有发展的前景.     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

基于熵聚类的RBF神经网络学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,最常用确定中心向量的方法是K均值聚类算法,对聚类中心的初值选择非常敏感,选择的不好,容易减低网络的训练性能.为克服以上问题,提出了一种熵聚类的方法来自动确定RBF神经网络隐结点的中心个数及其初始值,实现K均值聚类算法的初始化,再用改进的K均值聚类算法调整RBF神经网络的中心和训练宽度.并将上述算法用于函数逼近问题.实验结果表明:改进的算法与常规的K均值聚类算法相比,提高了训练速度和逼近精度.     

基于免疫聚类的RBF神经网络研究

通过分析以往人工免疫聚类算法的不足之处,提出了一种改进的基于人工免疫聚类与RBF神经网络的混合算法.该算法由两个阶段组成:第一阶段采用人工免疫机制来确定RBF网络隐层的聚类中心的位置和数量;第二阶段建立RBF神经网络,对输入样本数据进行学习、训练,求输出层的权值矩阵W.最后以肝病病证诊断进行仿真,建立基于免疫聚类的RBF网络模型.实验结果表明:该算法用于中医病证诊断的研究是可行的和有效的.     

基于AP聚类RBF神经网络的改进算法及试验

针对AP聚类RBF神经网络在车辆动态称重应用中精度偏低问题,提出按一定步长,迭代增加偏向参数,以RBF神经网络测试误差为评价指标最终确定偏向参数的改进算法,使RBF神经网络获得合适的隐含层节点数;提出对测试样本进行归类插值分析,利用与测试样本至类代表点间距离最接近的两个训练样本实际连接权值,使RBF神经网络连接权值随测试样本改变的自适应功能.在车速10 km/h~50 km/h,温度16 ℃~29 ℃条件下,对5种不同载重车辆进行工程实测试验,构建车辆动态称重RBF神经网络模型,进行500次循环测试.试验表明,基于AP聚类RBF神经网络的改进算法使称重误差均值控制在0.06%以内,最大实时性均值为0.0223,能有效满足实际工程应用要求.     

基于FCM的神经网络建模及其在智能驾驶中应用研究

首先对模糊c-均值聚类算法进行了分析,然后把改进的FCM算法和RBF神经网络结合起来建模,得到一种映射能力较强的自组织RBF神经网络.最后把它应用到智能驾驶中对驾驶员的熟练程度和疲劳程度进行识别,得到了满意的结果.     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.