基于距离和密度聚类的RBF网络结构设计

为确定径向基函数RBF(radial basis function)神经网络隐含层结构,并针对基于距离或密度聚类的RBF神经网络的限制,提出一种基于距离和密度聚类(GDD)算法的RBF神经网络.GDD算法通过计算每个样本的密度,各样本间的距离及相似条件(密度标准、距离标准),相似条件是根据样本分布而改变的,进行样本空间...     

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。     

基于在线聚类的背景减法

假定"背景总是以较大的频率出现"的基础上,提出一种基于在线聚类的背景减法.利用在线聚类对一段时间内像素的灰度值进行分类,选择出现频率大于阈值的灰度类作为该像素的背景,这样可以较好地构建出单模态或多模态场景的背景.一旦背景被构建好,通过融合背景差分、邻域背景差分和帧间差分的信息提取前景,实现正确而完整的运动目标分割.仿真实验表明,即使在背景有微小运动的复杂环境下,算法仍能较好地构建背景,运动分割效果较好.     

基于减法聚类的多模型在线辨识算法

考虑到实际工业过程中复杂系统的工况变化往往具有不确定性的特点, 离线辨识的多模型系统难以自适应反映系统的非线性, 因此本文提出一种新的基于减法聚类的多模型在线辨识算法. 首先采用在线聚类算法辨识多模型系统中的局部模型个数与工况参数, 然后充分考虑聚类发生变化对局部模型参数辨识的影响, 给出相应的局部模型参数在线辨识算法. 最后以某电厂300MW锅炉--汽轮机的协调控制系统为对象, 采用上述辨识方法进行仿真研究, 结果验证了本文算法的有效性.     

基于快速密度聚类的RBF神经网络设计

针对径向基函数（radial basis function,RBF）神经网络隐含层结构难以确定的问题,提出一种基于快速密度聚类的网络结构设计算法。该算法将快速密度聚类算法良好的聚类特性用于RBF神经网络结构设计中,通过寻找密度最大的点并将其作为隐含层神经元,进而确定隐含层神经元个数和初始参数;同时,引入高斯函数的特性,保证了每个隐含层神经元的活性;最后,用一种改进的二阶算法对神经网络进行训练,提高了神经网络的收敛速度和泛化能力。利用典型非线性函数逼近和非线性动态系统辨识实验进行仿真验证,结果表明,基于快速密度聚类设计的RBF神经网络具有紧凑的网络结构、快速的学习能力和良好的泛化能力。     

基于统计聚类RBF神经网络的孤立点检测研究

孤立点挖掘是数据挖掘的一个重要领域,而统计分析方法在孤立点检测中具有天然的优势。本文将统计聚类方法融入RBF神经网络,提出了一种基于统计聚类RBF神经网络的新的孤立点检测算法——SCRBF。该算法包括两部分,先用统计聚类方法对神经网络进行初始化,然后根据网络的训练情况进行隐单元的简化,提高了神经网络的泛化能力,同时也降低了过拟合现象的出现概率。与LSC算法的对比实验表明,该算法是有效的。     

基于蚁群聚类算法的RBF神经网络在压力传感器中的应用

针对压力传感器在应用中存在温度漂移这一缺点,提出了一种基于蚁群聚类算法的RBF(Radial Basis Function)神经网络温度补偿方法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法作为聚类算法来确定RBF神经网络的基函数的位置,并通过裁减的方法约简隐层的神经元达到简化网络结构的目的。通过仿真可以看出,该算法具有误差小,精度高等优点,对压力传感器的温度漂移有较好的补偿效果。     

利用减法聚类的自适应模糊神经网络客观评定织物起皱等级

本文提出一种基于减法聚类的自适应模糊神经网络,用于织物起皱等级评定。首先利用减法聚类方法确定模糊神经网络的结构,再结合模糊推理系统进行模式识别,并详细介绍其基本原理和学习算法,最后引入四种起皱特征参数对真实织物进行验证,实验表明该方法是有效、可行的。     

基于K-均值聚类的RBF神经网络血糖浓度预测

针对糖尿病患者血糖数据的复杂性与不稳定性,提出一种基于K-均值聚类算法的径向基函数（Radical Basis Function, RBF）神经网络的短期血糖预测方法。首先将动态血糖监测(Continous Glucose Monitoring System, CGMS)采集的糖尿病患者血糖浓度时间序列进行平滑滤波和归一化处理,提高血糖数据序列的光滑度,弱化原始血糖数据序列的随机性。然后对处理后的血糖浓度时间序列构造RBF网络,采用K-均值聚类进行优化,并用最小二乘法进行RBF网络的权值调整进而获得未来血糖浓度的预测值,从而保证预测的精度。     

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.     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。     

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数（RBF）神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.     

基于RBF神经网络的涡轮性能预测

针对某型弹用航空发动机涡轮，建立了基于径向基函数神经网络的性能预测近似模型。由均匀设计提供训练样本，选取静叶叶身5个关键截面上的7个参数作为设计变量，涡轮效率作为输出变量，采用遗传算法对径向基网络进行训练，并和BP网络算法求解的模型进行了对比。结果表明：该算法能够广泛地利用样本空间，得到较高的训练和测试精度；构建的RBF网络具有较小的网络规模．较强的泛化能力。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

粗糙集意义下的一种RBF神经网络设计方法

提出一种集成粗糙集理论的RBF网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的RBF网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

电容式压力传感器温度补偿的RBF神经网络

提出了一种基于径向基函数 (RBF)神经网络的电容式压力传感器温度补偿方法。通过实例说明了这一方法的应用 ,结果表明采用这种方法能在不同的压力下及温度变化较大时 ,对电容式压力传感器进行有效的温度补偿 ,并且能得到很高的补偿精度。     

基于EMRBF情感神经网络的人脸识别

在现有RBF神经网络基础上引入情感因子,提出了一种情感径向基神经网络（EMRBF）,给出了EMRBF的结构,定义了新的训练准则函数,推导出了EMRBF网络权值训练算法,把EMRBF网络用于人脸识别系统。先采用PCA和LDA相结合进行人脸特征提取．然后设计EMRBF人脸分类器。在ORL人脸库上的实验结果表明,EMRBF网络的识别率达到98％,与普通RBF神经网络相比,性能明显提高。     

基于RBF神经网络的空间插值法在空气质量监测中的应用

针对我国现有大气监测站点数量有限且离散,采集的数据不能代表整个区域的空气质量等问题,提出基于RBF神经网络的空间插值法应用于空气质量的监测,以经纬度和邻近点污染物浓度为输入,建立插值点与地理坐标和邻近点之间的对应关系.实验结果表明:该方法具有较高的插值精度,为预测未知空间数据值提供了有效的处理方法,同时为大气污染治理和控制提供理论依据.     

基于径向基神经网络的速度滤波器

在实车采集的试验数据当中,速度信号对于分析车辆的整车性能、换档过程以及通过数据处理进一步求取加速度,冲击度等指标有着非常重要的作用.但是由于试验当中各种随机噪声的存在,因此必须在研究分析之前先对速度信号进行滤波.径向基神经网络能够任意逼近非线性函数的特性,给速度滤波提供了崭新的方法.利用径向基神经网络可实现自适应滤波,并应用于速度信号的去噪.仿真结果表明,该方法具有良好的非线性噪声抑制能力.