基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于QPSO的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法存在的缺点,利用量子粒子群优化(QPSO)算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法(QPSOFCM).QPSOFCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类,重复上述两步操作直至结果满意为止.新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷.几组数据实验结果表明,与FCM和PSOFCM算法相比,提出的QPSOFCM算法聚类结果更可靠.     

基于PSO优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

基于QPSO算法的信道分配方法

由于传统的信道分配方法存在频率利用率低下和处理速度慢的缺点,为此,提出基于量子计算的PSO算法（QPSO）来快速实现信道最优化分配方法。这种优化方法利用了量子计算的并行计算能力强、全局收敛、运算速度极快等特点,主要包括初始化代表每个信道的粒子的速度和位置,根据信道分配的教学模型计算保证信道各种约束条件的适应度函数,根据量子粒子群的规律进行粒子位置更新,直至找到最佳信道分配方案等步骤。仿真结果表明其方法是行之有效的,优化效果优于基于遗传算法和PSO算法的信道分配方法。     

基于MQPSO—LQPSO的RBF神经网络训练方法

带有局部搜索的量子粒子群算法是一种较为成功的改进型量子粒子群算法。将该算法用于RBF神经网络的结构优化和参数优化,在确定网络参数的同时也确定了网络的结构。在函数逼近上的仿真实验表明,这种优化是有效的。     

结合类内集中度和优化RBF神经网络的特征选择

特征选择是文本分类的一个核心研究课题.首先提出了优化的文档频和类内集中度,紧接着提出了自适应量子粒子群优化算法并用于训练RBF网络的基函数中心和宽度,而且还结合最小二乘法计算网络权值,对RBF神经网络进行了优化,最后提出了一个综合性特征选择方法.该综合性方法首先使用类内集中度过滤掉一些词条以降低文本特征空间的稀疏性,然后再利用优化的RBF网络对特征进行优选.实验结果表明此种特征选择方法有较好的准确率和召回率.     

基于QPSO的属性约简在NIDS中的应用研究

支持向量机作为一种优良的分类算法应用在网络入侵检测系统中,但是训练时间过长是它的主要缺陷.文中提出了基于量子粒子群优化的属性约简和支持向量机(SVM)的入侵检测方法,利用量子粒子群优化的属性约简算法对训练样本集进行属性约简,剔除了对入侵检测结果影响较小的冗余特征,从而使入侵检测系统在获取用户特征的时间减少,整个入侵检测系统的性能得到提高.实验结果表明,该方法是有效的.     

基于神经网络的软测量在隔离型换热节能系统中的应用

隔离型换热节能系统的模型研究对系统优化有着现实意义。在对系统结构介绍的基础上,建立了系统的稳态机理模型。针对系统模型中的关键参数难以测量的问题,提出采用基于RBF神经网络的软测量方法加以解决,并利用现场数据进行了实验研究。结果表明,所提方法是可行、有效的。     

基于QPSO优化算法的余弦调制滤波器组设计

提出了一种新的余弦调制滤波器组设计方法,此方法以原型滤波器的阻带衰减作为目标函数,用改进型量子粒子群算法(QPSO)设计最接近满足重构条件的原型低通滤波器,然后在此基础上通过余弦调制得到分析滤波器组和综合滤波器组.实验仿真结果表明,用此方法设计的余弦调制滤波器组(CMFB)具有良好的阻带衰减特性和精确重构性能,在满足性...     

基于RBF神经网络的二相码旁瓣抑制

研究了RBF神经网络在二相码雷达旁瓣抑制中的应用,对神经网络的学习算法进行了改进,采用Levenberg-Marquardt（LM）算法优化隐层神经元的中心值和扩展常数,而用最小二乘（LS）法优化隐层至输出层的连接权值。对13位巴克码进行了仿真。仿真结果表明,改进的算法具有极快的收敛速度,可获得60dB以上的输出峰均值比,提高了雷达的探测性能。     

一种基于免疫系统的RBF网络在线训练方法

 针对径向基函数(RBF)网络和免疫系统的相似性,本文提出了一种基于免疫模型的RBF网络在线学习方法以解决动态问题.该方法借鉴了免疫系统动态调整以对抗不断入侵的抗原的机制,通过免疫初步覆盖、免疫交叉响应和疫苗注射等免疫操作,加速算法效率、提高算法精度和动态性能.通过以上操作使得RBF网络能够根据样本的变化迅速地调整网络结构与参数.计算机仿真研究表明,采用这种方法设计的RBF网络在动态环境下具有优良的精度和泛化能力.     

稀土在激光熔覆镍基自熔合金中的作用

采用CO2激光器在低碳钢表面进行激光熔覆处理,研究了稀土氧化物在激光熔覆Ni45自熔合金层中的作用.结果表明,加入适量稀土的熔覆合金层组织得到细化,其在还原酸中的耐蚀性和抗高温氧化能力较不加稀土镍基合金熔覆层都有较大提高,更远高于低碳钢.可见,稀土变质的激光熔覆处理对提高低碳钢性能具有重要指导意义.     

基于小波包变换与RBF网络的大地目标辨识

利用正交小波包变换的高信号时频分辨特性引入小波包能量特征提取法，用于五类典型大地目标的特征提取和距离可分性测度计算。结果显示，小波包能量特征提取法提取的五类典型大地目标特征具有更好的可分性。将小波包能量特征提取法与径向基函数网络相结合，提出了一种大地目标辨识算法。仿真实验表明，对于分解层次m＝5，信噪比SNR≥0dB，五类典型大地目标能完全辨识。表明该大地目标辨识方法在一定条件下是可行的，具有强的抗噪声干扰能力。     

基于RBF神经网络的相关干涉仪测向方法

提出了一种新的基于径向基(RBF)神经网络的相关干涉仪测向方法,实现了自组织学习选取中心、正交最小二乘法及基于遗传算法的进化优选算法等训练方法,经训练后的RBF神经网络可用于多源信号波达角(DOA)估计。仿真结果表明,在一定范围内,该方法对信道噪声不敏感,测向精度与传统相关干涉仪相当,且测向处理时间和测向设备的存储量大大降低。     

基于RBF神经网络的空袭目标威胁评估模型研究

为了辅助作战指挥员对空袭目标威胁程度做出正确判断,对作战提供正确决策,将径向基函数（RBF）神经网络应用于防空指挥控制系统中,给出了涉及空袭目标威胁评估的因素及其数学模型,建立了基于RBF神经网络的空袭目标威胁评估算法。同时,通过专家给出的训练样本在Matlab环境下对该模型进行了仿真计算,结果表明该模型方法评估结果准确、快速。     

稀土金属真空提纯炉的研制

介绍了一种用于稀土金属提纯的单晶炉,根据区熔法提纯单晶的特殊工艺要求,分析了其主要结构及特点。该设备也适用于多种激光晶体的生长和激光晶体的真空退火。     

一种基于RBF神经网络的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究的基础前沿问题.文中提出了提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的极化SAR图像分类方法.在构建包含G0分布最大似然距离和一些常规特征的极化SAR图像分类特征集的基础上,利用样本数据对RBF神经网络进行训练,完成分类器的设计.实测极化SAR图像的分类实验结果表明,该方法具有较好的图像细节保持能力.     

基于RBF神经网络的激光雷达图像滤波融合算法

单一算法对激光雷达图像的滤波很难达到实用的理想效果,本文分析了激光雷达图像的噪声特点和各种滤波算法的优势,提出一种基于RBF神经网络的激光雷达图像滤波融合算法,仿真的结果显示了该算法能够在噪声抑制和信息熵保持两个方面都能达到很好的效果.     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。