共查询到20条相似文献,搜索用时 156 毫秒
1.
2.
3.
边界模糊图像不同区域之间没有明确的分界,用传统的图像分割方法难以得到很好的分割结果。本文研究了径向基函数网络的工作实质及其用于图像分割的机理,分析了径向基函数神经网络的特点,针对边界模糊图像,应用不同结构的径向基函数神经网络对其进行图像分割,验证了径向基函数网络用于图像分割的有效性以及算法速度上的优越性。 相似文献
4.
5.
基于LSRBF神经网络的空战目标威胁评估 总被引:2,自引:0,他引:2
提出了-种基于Log-Sigmoid型径向基(简称LSRBF)神经网络的空战目标威胁评估方法.采用威胁指数法量化各因素的威胁度,运用工程模糊集方法确定因素的权重系数,在此基础上合成目标总的威胁指数,作为网络的初始训练样本.根据专家经验对不合理样本进行调整校正,得到最终的训练样本,供LSRBF神经网络训练使用.采用标准梯度下降法与指数梯度下降法相结合的学习算法,保证网络具有较强的鲁棒特性.仿真实验结果表明,LSRBF神经网络具有很好的函数逼近性能,可以成功地完成空战目标的威胁评估. 相似文献
6.
该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。 相似文献
7.
基于径向基函数神经网络的模拟/混合电路故障诊断 总被引:1,自引:0,他引:1
径向基函数神经网络是一种前馈型神经网络,具有较强的函数逼近能力和分类能力,学习速度快等优点.本文采用幅值恒定的正弦信号源进行模拟电路的故障仿真,从频域提取输出信号波形的特征值建立故障字典,应用径向基函数神经网络的这些优点进行响应分析和故障诊断,能够实现快速故障诊断及定位,具有准确率高的特点. 相似文献
8.
9.
文中提出了一种利用自组织映射(KSOM)和径向基函数(KR)神经网络进行网络拥塞预测的方法.目前的研究表明,预测网络拥塞还存在一些问题,尤其在数据集比较小的时候.因此,为了使网络拥塞问题预测精度高,在预测过程中有必要考虑原有的数据集中每个数据之间的关系.现在为了获得更多的有价值的位置信息,采取了一系列的措施去满足不同数据的情况,包括使用自组织映射神经网络和径向基函数神经网络算法.这一过程使网络能满足不同类型的数据.在本文网络拥塞预测中,采用同一原始数据集,分别对利用自组织映射和径向基函数神经网络的算法和另外两种算法的性能进行比较.实验结果表明,利用自组织映射和径向基函数神经网络的算法具有更好的效果. 相似文献
10.
基于广义径向基函数神经网络的非线性时间序列预测器 总被引:5,自引:0,他引:5
该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对一笥时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。 相似文献
11.
RBF神经网络的梯度下降训练方法中的学习步长优化 总被引:9,自引:0,他引:9
梯度下降法是训练RBF神经网络的一种有效方法。和其他基于下降法的算法一样,RBF神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Taylor展开,构造了一种优化学习步长的方法,进行了较详细的推导:实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。 相似文献
12.
13.
14.
一种改进的Elman神经网络模型 总被引:4,自引:0,他引:4
本文首先详细地阐述了Elman神经网络的结构、原理和学习算法.为了进一步提高Elman神经网络的逼近能力和动态特性,我们提出了一种改进的Elman神经网络模型.这种新的Elman神经网络在关联节点与输出节点之间又增加了一组可调权值,利用误差回馈原理推导出了其相应的学习算法.仿真实验结果表明,改进的Elman神经网络比原来的网络具有更好的动态性能,对于贯序输入输出数据的逼近收敛速度更快. 相似文献
15.
Self-evolving neural networks for rule-based data processing 总被引:1,自引:0,他引:1
Two training algorithms for self-evolving neural networks are discussed for rule-based data analysis. Efficient classification is achieved with a fewer number of automatically added clusters, and application data is analyzed by interpreting the trained neural network as a fuzzy rule-based system. The learning vector quantization algorithm has been modified, acquiring the self-evolvement character in the prototype neuron layer based on sub-Bayesian decision making. The number of required prototypes representing fuzzy rules is automatically determined by the application data set. This method, compared with others, shows better classification results for data sets with high noise or overlapping classification boundaries. The classifying radial basis function networks are generalized into multiple shape basis function networks. The learning algorithm discussed is capable of adding new neurons representing self-evolving clusters of different shapes and sizes dynamically. This shows a clear reduction in number of neurons or the number of fuzzy rules generated, and the classification accuracy is increased significantly. This improvement is highly relevant in developing neural networks that are functionally equivalent to fuzzy classifiers since the transparency is strongly related to the compactness of the system 相似文献
16.
17.
Bershad N.J. Ibnkahla M. Blauwens G. Cools J. Soubrane A. Ponson N. 《Signal Processing, IEEE Transactions on》1999,47(5):1297-1303
Neural networks have been used to model the nonlinear characteristics of memoryless nonlinear channels using the backpropagation learning (BP) with experimental training data. The mean transient and convergence behavior of a simplified two-layer neural network has been studied previously in order to better understand this neural network application. The network was trained with zero mean Gaussian data. This paper extends these results to include the effects of the weight fluctuations on the mean square error (MSE). A new methodology is presented that can be extended to other nonlinear learning problems. The new mathematical model is able to predict the MSE learning behavior as a function of the algorithm step size μ. The performance analysis is based on the derivation of linear recursions for the variance and covariance of the weights that depend nonlinearly on the mean weights. These linear recursions can be used to predict the local mean-square stability of the weights. As in linear gradient search problems (LMS, etc.), it is shown that there exists an optimum p (minimizing the MSE), which is the result of the tradeoff between fast learning and small weight fluctuations. Monte Carlo simulations display excellent agreement between the actual behavior and the predictions of the theoretical model over a wide range of μ values 相似文献
18.
以线性无关的基函数作为隐层神经元的激励函数,构建了一类基函数神经网络,且推导出该类神经网络的学习算法;在此基础上,设计了一种基于指数增长和折半删减的快速最小隐神经元数目确定算法.仿真实验表明,此算法能自适应地、快速有效地确定网络最小隐层神经元数目. 相似文献
19.
20.
为了有效地缩短配电网络重构的时间,首先对BP神经网络从学习速度和局部收敛方面改进,以提高BP算法的速度,然后根据配电网的数学模型,在BP神经网络的误差函数和约束条件的分析中运用图论知识,从而准确并快速地实现配电网络重构. 相似文献