PSO-RBF无线电波信号预测模型研究

随着经济的发展,无线电波信号的预测问题成为无线通信领域研究的关键课题之一.考虑到径向基神经网络模型的广泛应用,研究一种粒子群算法与径向基神经网络相结合的无线电波信号预测模型.实验结果表明,这两种人工智能算法的结合模型比RBF模型预测精度更高,运行更稳定.     

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。     

基于遗传算法的RBF网络用于股票短期预测

采用改进的遗传算法（GA）优化径向基函数（RBF）网络,提出了一种新颖的确定RBF网络参数的方法,并用优化的RBF网络用于股票的短期预测,其结果与实际值吻合效果较好,证明了该方法的有效性。     

基于GA-RBF神经网络及边界不变特征的车辆识别

修正的边界不变矩在目标旋转、缩放和平移过程中能保持不变性．将其作为车辆目标的识别特征,并且利用遗传算法（GA）优化径向基函数（RBF）神经网络参数,能很好地实现对车辆目标的识别．实验表明,该方法在复杂背景下对目标的识别具有很强的鲁棒性,能快速准确地识别车辆类型;并且边界不变特征的引入,减少了数据运算量,提高了识别效率．     

基于径向基函数模型的非线性预测控制策略研究

提出了一种基于径向基函数的非线性过程预测控制策略.首先,开发过程径基函数网络模型:根据过程特性,选择模型阶次、径基函数类型,用K均值法确定基函数中心位置,统计F检验确定基函数中心的数目,迭代最小二乘法确定径基函数网络权系数.然后,利用网络模型抽取非线性预测控制器(NLPC)特征样本训练构造径基函数网络预测控制器(RBFPC).仿真结果表明,与NLPC比较,由于RBFPC不必在线解非线性最优化问题,易于在线快速实施;与PI控制器比较,RBFPC具有更好的跟踪设定值性能和抗干扰性能.     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.     

基于MDL的RBF神经网络结构和参数的学习

本文提出了一种优化径向基函数神经网络（ＲＢＦＮＮ）结构的参数的方法,该方法包括两个过程：训练和进化．训练用梯度下降法学习ＲＢＦＮＮ的中心,宽度和输出权值;进化采用二进制编码的遗传算法（ＧＡ）学习ＲＢＦＮＮ的结构,适应度函数是基于信息论中最小描述长度（ＭＤＬ）原理的目标函数．函数逼近仿真实验证明了该方法比其他方法鲁棒性强,所得到的网络结构简单．     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

基于RBF神经网络的股票市场预测

提出了一种基于RBF(Radial Basic Function)神经网络的股票市场预测模型.RBF神经网络的结构简单,具有良好的全局逼近性能,以及非线性映射能力和高度非线性的特点.在这种情况下,根据股票数据是一类非线性较强的时间序列,对其进行预测,即从前N个数据中预测将来的M个数据,建立股票市场的短期预测模型,并以一个典型的实例加以分析和验证.     

基于径向基函数网络的一步超前预测控制研究

提出一种基于径向基函数（RBF）神经网络的一步超前预测控制算法。该方法只用于一个网络，控制量的获取只求几步迭代，算法简单并有较好的实用性。通过对离散非线性系统的仿真证明了算法的有效性。     

一种基于HMM和ANN的语音情感识别分类器

针对在语音情感识别中孤立使用隐马尔科夫模型（HMM）固有的分类特性较差的缺点，本文提出了利用隐马尔科夫模型和径向基函数神经网络（RBF）对惊奇，愤怒，喜悦，悲伤，厌恶5种语音情感进行识别的方法。该方法借助HMM规整语音情感特征向量，并用RBF作为最终的决策分类器。实验结果表明在本文的实验条件下此方法和孤立HMM相比具有更好的性能，厌恶的识别率有了较大改进。     

基于集成RBF神经网络的小类别手写体汉字识别系统

该文介绍了RBF神经网络的模型,讨论了RBF网络分类器的机理和特点,提出了一种集成RBF神经网络并应用于小类别手写体汉字识别系统的设计,采用了组合重心分解网格特征方法来提取汉字特征,设计了遗传进化隐层节点自生成算法用于RBF的训练。实验表明该小类别手写体汉字识别系统有很高的识别率,具有一定的实用推广价值。     

基于径向基神经网络和正则化极限学习机的多标签学习模型*

相比径向基(RBF)神经网络,极限学习机(ELM)训练速度更快,泛化能力更强.同时,近邻传播聚类算法(AP)可以自动确定聚类个数.因此,文中提出融合AP聚类、多标签RBF(ML-RBF)和正则化ELM(RELM)的多标签学习模型(ML-AP-RBF-RELM).首先,在该模型中输入层使用ML-RBF进行映射,且通过AP聚类算法自动确定每一类标签的聚类个数,计算隐层节点个数.然后,利用每类标签的聚类个数通过K均值聚类确定隐层节点RBF函数的中心.最后,通过RELM快速求解隐层到输出层的连接权值.实验表明,ML-AP-RBF-RELM效果较好.     

基于GRBF神经网络的脱硫预报模型

脱硫过程是一个复杂的非线性系统,文章建立了一个基于RBF神经网络的脱硫预报模型,并提出使用GRBF算法,从而较好地解决了传统RBF神经网络中心难于确定,存在过拟合的缺点。实践证明,该算法应用在脱硫预报模型的建立中是合理的、可行的。     

基于径向基函数神经网络的红外步态识别

为提高红外步态识别的效果,提出一种基于径向基函数神经网络的多分类器融合算法。对红外步态序列,分别应用基于轮廓线傅立叶描述子特征的模糊分类器和基于下肢关节角度特征的贝叶斯分类器进行识别,再利用径向基函数神经网络的学习和分类功能,对获得的输出信息进行度量层的融合和再识别。仿真实验结果表明,该算法获得更加精确的分类效果。     

基于K—Means聚类算法和神经网络的药物使用模型

采用K—Means聚类算法和神经网络算法,对药物的使用进行建模．通过模型可得到不同临床特征病人更适合服用何种药物的建议结果,正确率高达94．7％,实现用药的合理化。     

基于K-Means聚类算法和神经网络的药物使用模型

采用K-Means聚类算法和神经网络算法,对药物的使用进行建模,通过模型可得到不同临床特征病人更适合服用何种药物的建议结果,正确率高达94.7%,实现用药的合理化。     

基于加速度信号和进化RBF神经网络的人体行为识别*

针对基于加速度信号的人体行为识别,采用递阶遗传算法(HGA)训练径向基函数(RBF)神经网络,获得满意的识别正确率.设计适应度函数,利用四分位数间距改进HGA中参数基因的交叉方式,给出自动确定子代生成区域的方法,省去以往同类算法中的经验性设定,并结合算术交叉选择优秀子代,然后对比均匀变异和非均匀变异子代的适应值,实现对RBF网络结构和参数的联合优化.在基于加速度信号的行为识别系统中,与基本HGA和其他常用的训练方法相比,文中算法训练的RBF分类器可获得更低的输出误差和更高的测试样本识别正确率.     

基于颜色特征的家居设计图分类

提出一种基于颜色特征的家居设计图情感分类方法。通过人们对色彩的感知和理解,建立图像颜色特征与情感语义的关系模型。在此基础上,以家居设计图为数据源,提取图像的全局和局部颜色特征,结合基于RBF网络的分类器完成对家居设计图像的风格分类。实验结果证明了该方法的有效性。     

基于神经网络模型的个性化服务研究

由于Web上信息的异构性、多样性和动态性,互联网也带来了所谓的"信息过载"和"信息迷向"的问题,个性化服务系统按照特定的用户群体和个人的需求定制服务的内容和表现,可以预测用户的需求,提供主动服务,其基本原理就是根据对各个用户不同的兴趣描述,通过相应的推荐算法为用户提供符合其兴趣的信息.待用户兴趣特征确定后,就可以建立用于个性化网页推荐的用户神经网络模型,向用户推荐个性化网页.