K-聚类的模糊神经网络对DO的控制研究

运用一种基于K-聚类算法的模糊径向基函数（RBF）神经网络对污水处理中的溶解氧质量浓度进行控制,该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制、RBF神经网络以及K-聚类学习算法相结合以在线调整隶属函数,优化控制规则。通过对阶跃输入仿真分析,其结果表明基于RBF的模糊神经网络控制器具有良好的动态性能、较强的鲁棒性和抗干扰能力,使其快速、准确地达到期望水平。     

基于RBF神经网络的水处理系统建模与仿真

利用径向基函数(RBF)神经网络的特点,采用神经网络对活性污泥法水处理系统进行建模,提出了一种RBF网络学习的新算法,即将改进的减聚类算法和动态最近邻聚类算法相结合的算法.仿真结果表明,该算法先进有效,用其建立的模型具有较强的实用性,为实现水处理系统的在线实时预测控制提供了可行的途径.     

融合K-means和RBF神经网络的汉字识别算法

对于自然场景中拍摄的汉字图像,现有的汉字识别算法出现了很多问题,如传统的BP神经网络算法识别效率低下,传统的RBF神经网络算法识别准确率不高等,针对这些问题,论文提出了融合K-means和RBF神经网络的汉字识别算法.该算法通过引入减聚类算法,来计算出K-means算法的初始聚类中心及其个数,接着用K-means算法计算出RBF神经网络算法的径向基函数的中心,最后确定径向基函数的宽度以及隐含层到输出层之间的权值.实验结果表明该算法有着较高的准确率,能有效地提高汉字识别效率,具有一定的实用价值.     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

改进RBFNN求机械臂轨迹跟踪的研究

为了使机械臂准确跟踪目标轨迹,达到控制精度高、实时性好的目的,提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数,对其参数进行改进和优化,同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。     

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。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。     

蚁群神经网络在社区老年人健康检测中的应用研究

针对社区网格化管理中老年人多类健康体征数据的在线评估要求,提出一种基于蚁群聚类的径向基神经网络评估模型。模型在RBF神经网络的架构上引入了蚁群聚类算法。仿真的性能结果和实验结论表明,该模型兼具蚁群算法良好的全局最优策略和径向基网络的快速收敛性能,能准确及时地评估老年人的健康状况。     

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中,改善了Ｋｏｈｏｎｅｎ 网络的性能,是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心,并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测,同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力,尤其在曲线拟合实验中,ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差,比Ｃ－ＭＥＡＮＳ的网络小一个数量级,可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。     

模糊神经网络模型混沌混合优化学习算法及应用

基于混沌优化的思想,提出一种新的模糊模型的优化学习算法．将模糊推理规则转化为模糊RBF网络模型,用模糊C均值(FCM)聚类算法和分区效验熵得到模型结构。用混沌变换序列寻优得到优化的中心初值群,用FCM获得最优聚类中心,最后获得模糊神经网络模型．将该方法应用于转炉终点磷含量预报模型。取得了较好的结果．     

基于改进RBF网络的多变量序列建模和预测

针对复杂系统多变量序列预测研究中数据样本过多、信息冗余等问题,从学习样本选择和聚类中心优化两方面对径向基函数(RBF)网络进行改进.基于复杂系统多变量时间序列,首先采用一个线性相关函数和一个非线性相关函数分别计算多变量状态间的线性相关性和非线性相关性,确定一个包含系统有效信息的小数据集;然后基于小数据集,采用K均值聚类方法确定RBF网络的隐层聚类中心,并引入局部搜索过程,优化聚类中心结果;输入其它训练样本,确定网络权值.仿真结果表明,与常规RBF网络学习方法比较,在隐层节点数目相同情况下,改进的方法有效地确定了网络的聚类中心,达到更好的预测精度.     

Improvement of RBF neural networks using Fuzzy-OSD algorithm in an online radar pulse classification system

In this paper a new methodology for training radial basis function (RBF) neural networks is introduced and examined. This novel approach, called Fuzzy-OSD, could be used in applications, which need real-time capabilities for retraining neural networks. The proposed method uses fuzzy clustering in order to improve the functionality of the Optimum Steepest Descent (OSD) learning algorithm. This improvement is due to initialization of RBF units more precisely using fuzzy C-Means clustering algorithm that results in producing better and the same network response in different retraining attempts. In addition, adjusting RBF units in the network with great accuracy will result in better performance in fewer train iterations, which is essential when fast retraining of the network is needed, especially in the real-time systems. We employed this new method in an online radar pulse classification system, which needs quick retraining of the network once new unseen emitters detected. Having compared result of applying the new algorithm and Three-Phase OSD method to benchmark problems from Proben1 database and also using them in our system, we achieved improvement in the results as presented in this paper.     

一种基于模糊RBF神经网络的Smith预估器

为克服带钢热连轧层流冷却系统中大滞后环节产生的不利影响,提高控制精度,提出了将模糊RBF神经网络与Smith预估器相结合的方法。采用基于改进型模糊C-均值聚类算法的RBF神经网络建立预测模型。获得了较高的精度和较快的学习速度。改进后的模糊C-均值聚类算法具有更好的鲁棒性,且放松了隶属度条件,使得最终聚类结果对预先确定的聚类数目不敏感。将该控制器应用到卷取温度控制中,能把卷取温度控制在598～705℃的范围内,满足了实际生产的需要。     

一种基于代数算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法,采用动态K-均值方法对RBF 神经网络的隐层中心值和宽度进行了优化,用代数算法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中,验证了该算法的有效性。     

Using fuzzy logic to improve a clustering technique for function approximation

Clustering algorithms have been successfully applied in several disciplines. One of those applications is the initialization of radial basis function (RBF) centers composing a neural network, designed to solve functional approximation problems. The Clustering for Function Approximation (CFA) algorithm was presented as a new clustering technique that provides better results than other clustering algorithms that were traditionally used to initialize RBF centers. Even though CFA improves performance against other clustering algorithms, it has some flaws that can be improved. Within those flaws, it can be mentioned the way the partition of the input data is done, the complex migration process, the algorithm's speed, the existence of some parameters that have to be set in order to obtain good solutions, and the convergence is not guaranteed. In this paper, it is proposed an improved version of this algorithm that solves the problems that its predecessor have using fuzzy logic successfully. In the experiments section, it will be shown how the new algorithm performs better than its predecessor and how important is to make a correct initialization of the RBF centers to obtain small approximation errors.     

基于组合算法的RBF神经网络列车轮对缺陷识别

提出了一种基于动态聚类和遗传算法相结合的组合RBF网络训练方法;采用动态聚类法对样本数据进行聚类,使RBF神经网络的隐含层节点中心数在训练过程中自动确定,使用经验公式作为标准,选取最优聚类数,采用遗传算法对隐层中心和宽度以及隐层到输出层的权值进行优化,在全局范围内寻找网络的最优模型;最后对轮对缺陷进行纹理特征提取,并组成训练样本和测试样本,输入到网络进行训练与测试;实验结果表明,与传统方法比较,该组合方法具有较高的识别率。     

改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.