小生境进化RBF网络在信道均衡中的应用

基于RBF网络的信道均衡器,其性能取决于神经网络的隐层参数.文中采用判决反馈均衡器的结构,RBF网络隐层的结构和参数则由基于小生境技术的混合递阶遗传算法来确定.仿真结果表明,这种RBF网络均衡器性能优良.     

基于免疫RBF网络阵列的雷达信号分类识别方法

本文提出了基于免疫算法设计的径向基函数(RBF)网络阵列实现对雷达信号体制和用途的分类识别.同单个神经网络相比,这种方法克服了识别类型较多时存在的扩充、修改、维护等难点.在RBF子网络的训练中,采用结合记忆机制的递阶免疫算法确定RBF网络的隐层参数,有效折衷了系统性能和运算量之间的矛盾.实验结果表明,采用这种方法设计的雷达信号识别系统达到了很高的性能.     

基于优化神经网络的三相全控整流电路故障诊断

研究了递阶遗传算法用于神经网络的参数确定问题,以期利用递阶遗传算法的二级编码结构解决以往同时优化神经网络结构、权值、阈值效率不高的难题。此外,建立了三相桥式全控整流电路的故障模型,并对几种常见故障进行了仿真分析。最后,将自适应递阶遗传算法用于三相桥式全控整流电路的故障诊断,仿真验证了该方法的准确性和实用性。     

基于PNNI递阶拓扑结构的VP网络规划

ＡＴＭ网络中的ＶＰ层网络规划在大规模网络情形下求解会发生困难,文章借鉴了ＰＮＮＩ网络递阶结构,设计了一种分级规划方法,有效地解决了大规模ＡＴＭ网络ＶＰ层规划问题,并用进化规划对规划问题进行了求解。文中给出了数值算例。     

非均匀周期采样多率系统的一种辨识方法

本文利用提升技术,推导了非均匀采样多率系统的提升状态空间模型.对于状态可测量的多率系统,利用最小二乘原理,给出了模型参数矩阵辨识方法;对于状态不可测的未知参数多率系统,利用递阶辨识原理,在考虑提升模型的因果约束下,将提升系统分解为子系统进行辨识,形成了状态空间模型递阶辨识方法.仿真例子表明,本文提出的递阶辨识方法是有效的.     

着舰控制系统中的甲板运动补偿技术研究

舰载机在着舰中对甲板运动的跟踪存在相位差,需要使用预报技术将甲板的运动信息提前加入到自动着舰控制系统(ACLS)中.甲板预报通常采用的自回归模型法(AR)是一种时间序列预报方法,在此基础上提出了一种新型的多层递阶预报模型,它是在对时变参数进行预报的基础上再对系统的状态进行预报,更能反映时变系统的运动实质.对典型海况下甲板的俯仰和沉浮运动进行预报仿真,结果表明多层递阶预报的精度更高.分别用两种方法对自动着舰纵向轨迹控制进行运动补偿,仿真表明多层递阶预报方法可以更加有效地提高轨迹跟踪精度.     

针对信息系统不完备性的粗糙集分层递阶约简

提出一种针对不完备信息系统的粗糙集分层递阶约简。该约简可以将信息系统中所有属性构成的单层知识表示变为符合人类认知习惯的部分属性所构成的多层知识表示。同时,分层递阶约简提高了粗糙集约简速度,无论是分层递阶约简,还是所得的分层递阶简约,都适用于实际问题。     

HHGA-RBFNN在DGS设计中的应用

将递阶遗传算法和最小二乘法相结合, 构成一种混合递阶遗传算法,用于优化径向基函数神经网络的结构和参数,通过MATLAB仿真实现该算法,并将该神经网络运用于微带缺陷接地结构的神经网络建模之中,实现对微带缺陷接地结构传输系数的仿真.实验结果表明,应用混合递阶遗传算法优化的径向基函数神经网络,具有很高的拟合精度和很好的泛化能力,可以与时域有限差分分析方法结合,辅助微带缺陷接地结构的设计.     

一种新的高斯基函数分类器训练方法的研究

本文主要研究高斯基函数分类器的训练问题，对基函数分类器来说，如何确定网络的初始隐层节点数和隐层节点参数是一个重要问题，文中采用基于遗传算法的高斯核函数聚类方法和模糊决策技术完成分类器的初始结构和参数确定，然后再采用反向传播（ＢＰ）学习算法完成分类器的最终训练，典型实验的结果表明了该方法的有效性。     

2 m望远镜消旋K镜转台的模型辨识

针对某2 m望远镜消旋K镜转台,提出了一种基于Hankel矩阵奇异值分解的特征系统实现算法对系统的参数和阶次进行辨识。首先,以正弦扫描信号激励转台并同步采集位置反馈信息,利用谱分析法对测试数据进行分析,得到了系统的频率特性曲线;其次,对系统的Hankel矩阵进行奇异值分解,得到了K镜转台的结构模型;最后,采用特征系统实现算法对Hankel矩阵进行辨识,得到了K镜转台的参数模型。实验结果显示:K镜转台相对均衡的最小阶阶次为6阶,在系统的中低频段获得幅度0.31 dB和相位0.87的辨识精度,相对于参数递阶辨识方法,分别提高了50.7%和23%。结果表明:该方法能够确定一个与系统外特性等价的相对均衡的最小阶状态空间模型,在辨识系统阶次和参数估计方面具有较好的可行性和实用性。     

一种改进的调制分类器设计方案

通过比较几种常用调制分类器的优缺点,提出了一种新的调制分类器设计方案.它采用高效稳健的遗传算法,先筛选出一高质量的最小特征子集,再对RBF神经网络的隐层节点中心值进行进化优选.仿真结果证实了该方法的优越性.此外,还对调制分类器用于移动数字电视的研究方向提出了建议.     

基于模拟退火遗传算法的RBF网络的优化

提出了引入模拟退火的遗传算法对径向基函数(RBF)网络中心参数进行优化的算法,算法中选择实数编码,采用引入模拟退火过程的多点交叉和区域内随机波动的变异方法.用此算法作了两个仿真实验:一是对典型的混沌时间序列的预测,二是对被干扰了的图象进行去干扰.结果表明:这种基于模拟退火遗传算法对RBF网络参数的优化是行之有效的.     

基于遗传优化RBF神经网络的声纹识别研究

提出了一种基于遗传优化RBF神经网络的声纹识别算法,该算法中采用遗传算法对传统的RBF神经网络基函数中心以及宽度进行优化处理,克服了传统RBF神经网络参数难以确定的缺陷。同时,算法结合心理声学模型,提取了能表现说话人个性特征的Mel倒谱系数为特征进行说话人识别,可较好地提升系统的抗噪性能。仿真实验结果表明,与传统RBF神经网络相比,该方法具有快速学习网络权重的能力,并且网络的全局寻优能力强,使得系统的识别率进一步提高。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

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。     

基于免疫机制的RBF网络在OFDM信道估计中的应用

针对OFDM系统的信道估计问题，提出了一种新型的基于免疫机制的RBF网络信道估计方法。该算法能够有效提高网络训练精度，改善进化训练算法的未成熟收敛问题。在低信噪比，快衰落的恶劣信道情况下，文中采用的RBF网络相对传统算法表现出了优异性的性能，设计出的信道估计器可以达到很高的测量精度。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

对角型广义RBF神经网络与非线性时间序列预测

径向基函数（RBF）神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳（BYY)谐和学习算法进行隐层单元个数的选择和参数初始值的设置,且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。