改进RBF神经网络在地下水动态预报中的应用

根据地下水位与其影响因素之间存在的映射关系,建立了一种改进的RBF神经网络模型,并分别通过减聚类和监督学习算法对网络参数和权值进行训练.结果表明,该模型比传统的BP算法迭代次数少,收敛速度快,运算简便,预测精度较高,具有应用价值.     

小波神经网络在短期电力负荷预测中的应用

针对小波网络建模存在难以有效对小波级数进行截断的问题，提出一种基于频带能量的小波级数截断方法，该方法能克服传统方法对个人经验的依赖，确保小波网络的逼近能力；结合正交最小二乘法，将其应用于电力负荷预测中，建立负荷预测的小波网络模型．仿真结果表明：用该方法建立的小波网络模型简洁、明了，结果有效、准确，具有较好的预测能力．     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

基于RBF-FCM-ROLS的砼安全性评估方法

提出了一种基于径向基函数神经网络RBFNN(Radial Basis Function Neural Networks)、模糊C-均值聚类(FCM)算法和递归正交最小二乘法(ROLS)的混凝土安全性专家系统评估预测方法。此方法先用FCM算法初选多个RBFNN的函数中心，再采用ROLS训练网络，最后结合后向选择法，减少初选的中心数目，以得到最终的有效中心值。该方法加快了RBFNN的训练速度，提高了网络的运算效率。将其运用到混凝土安全性评估专家系统中，获得了满意的结果。将这种新算法得出的评估数据与传统的BP网络计算出的数据进行了比较，进一步证明了RBFNN及其学习算法的优越性和实用性。     

基于RBF网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,设计了RBF网络故障诊断系统．根据输入特征向量进行RBF网络的学习,并将RBF网络诊断故障的方法成功地应用于汽轮发电机组故障诊断．仿真结果表明：RBF网络比BP网络更稳定,训练误差更小。     

RBF网络在通信信号自动识别中的应用

通信信号自动分类是一模式识别问题，通常用数字信号处理和模式分类的方法来求解．文中提出了将ＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）网络方法应用于通信信号自动识别的具体方法．构造了运用ＲＢＦ网络的信号分类的神经网络结构．通过模拟实验表明，由于采用了将信号特征矢量降维的方法，该网络不仅能够很好地完成信号分类，而且具有比传统方法训练速度快、占用存贮空间少、容错性强和易子硬件实现等特点．     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢控制目标是终点温度和碳含量，由于炉温过高，无法在线连续测量.用传统的机理模型建立的终点温度和碳含量模型不够精确.基于RBF神经网络任意逼近函数能力，隐层中心采用最近邻聚类算法，避开K-均值法依赖于聚类中心的初始位置，易陷入局部极小点的缺点.权值调整采用带加权因子的递推最小二乘算法，建立基于RBF神经网络的转炉炼钢终点温度及碳含量的预报模型，并结合某钢铁企业一座180 t转炉的实际数据进行模型验证研究.结果表明,预报精度高于传统的机理模型及BP模型.     

基于RBF网络的水位传感器故障诊断方法

将RBF网络应用于水位传感器的故障诊断,通过构建RBF网络估值器,提出了一种故障诊断方法。首先用影响汽包水位的各种相关参量的实测数据对RBF网络进行训练,然后用达到训练目标的RBF网络对汽包水位进行较高精度的估值;通过RBF网络估值器输出和水位传感器实际输出之差与设定的阈值比较检测传感器故障;若水位传感器出了故障,则诊断系统通过故障转换开关及时对水位监视或控制系统进行重构以消除故障的影响。仿真试验表明该方法能对水位传感器进行较有效的状态监测和故障诊断。     

正交算法在状态估计中的应用

介绍最小二乘法的正交算法的具体实现以及它在状态估计中的应用。正交算法是至今已开发的状态估计算法中最有效的算法之一，较其他算法有许多优势，经云南大理电业局、河南平顶山供电局、洛阳供电局现场运行表明，该方法具有数据传输精度高、收敛性好、占有内存小等特点。     

RBF网络在通信号自动识别中的应用

通信信号自动分类是一模式识别问题，通常用数字信号处理和模式分类的方法来求解。文中提出了将ＲＢＦ网络方法应用于通信信号自动识别的具体方法。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

基于优化RBF神经网络的集成算法及其在调制识别中的应用

首先通过模拟退火算法对单个网络的隐含层高斯基函数中心值和标准化常数聚类算法进行了优化,进而提出了一种基于泛化误差性能跟踪的最优训练中止算法,避免了神经网络的过学习问题;最后通过基于最优权重的集成算法给出了模式所属类别的确定性衡量,提高了识别精度和系统的泛化能力。将该算法用于调制信号类型识别,取得了较高的识别精度。     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

基于RBF与BP神经网络的建筑电气系统故障诊断比较研究

建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白,其主要原因是建筑电气系统庞大、复杂,子系统多,难于建立数学模型.利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题.由于神经网络在建筑电气故障领域的基础研究和应用非常少,通过对经典的RBF和PB神经网络故障诊断方法进行对比研究,为后续研究打下基础.通过利用建筑电气系统试验平台的数据进行实验,结果表明在两种神经网络未经优化的情况下,RBF网络在建筑电气故障诊断的应用上要优于BP网络.基于RBF网络的建筑电气故障诊断方法在工程上将有广阔的应用前景.     

一种用于径向基函数（RBF）神经网络训练的有效方法

提出了一种用于径向基函数神经网络训练的新方法，即Ｇａｕｓｓ－Ｊｏｒｄａｎ与广义逆的复合法。仿真结果表明，此方法训练速度快，实时性强，其收敛性和收敛严谨的比正交最小二乘算法效果好。     

神经网络在机械设备故障诊断中的应用研究

提出了一种基于RBF神经网络的机械设备故障诊断方法，详细讨论了RBF神经网络的结构、训练算法及用于机械设备故障诊断的步骤，最后通过以柴油机系统的故障诊断为例，验证了此方法的可行性。     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基(Radial Basis Function简称RBF)网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法.实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善.     

RBF神经网络在径流预报中的应用

鉴于径流的形成受众多因素的影响和径流预报具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的径流预测模型.经实例验证,该模型收敛速度快、预测精度高,并与BP网络作了对比,RBF网络显示了较好的优越性.