径向基函数神经网络的一种两级学习方法

建立RBF(radial basis function)神经网络模型关键在于确定网络隐中心向量、基宽度参数和隐节点数.为设计结构简单,且具有良好泛化性能径向基网络结构,本文提出了一种RBF网络的两级学习新设计方法.该方法在下级由正则化正交最小二乘法与D-最优试验设计结合算法自动构建结构节俭的RBF网络模型;在上级通过粒子群优化算法优选结合算法中影响网络泛化性能的3个学习参数,即基宽度参数、正则化系数和D-最优代价系数的最佳参数组合.仿真实例表明了该方法的有效性.     

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.     

一种用RBF神经网络改善传感器测量精度的新方法

介绍一种利用径向基函数(RBF)神经网络和智能温度传感器DS18B20改善传感器精度的新方法。RBF网络具有良好的非线性映射能力、自学习和泛化能力,通过大量的样本数据训练构建了双输入单输出网络模型,采用改进的算法实现了传感器高精度温度补偿。     

改进的径向基函数神经网络预测模型

在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.     

基于SOM和RBF网络的软测量方法研究

为了解决工业生产过程中许多重要的参数无法精确测量或者实时测量的问题,提出一种基于自组织特征映射(SOM)神经网络和径向基函数(RBF)神经网络结合构建网络模型的预测方法;其中,RBF神经网络作为基础网络实现从输入层到输出层的线性映射,得出预测输出;SOM神经网络作为聚类网络对输入样本进行自组织分类,将分类中心及其对应的权值向量作为RBF神经网络径向基函数的中心;以钕铁硼氢粉碎过程优化控制为例,建立了合金氢含量的检测模型,并与RBF神经网络检测模型进行了对比;仿真结果表明该混合网络检测模型检测精度高,泛化能力强,证实了该方法的有效性.     

基于交叉验证的改进RBF分类器设计

本文提出了一种利用k均值聚类算法确定RBF神经网络径向基函数数目、函数中心及宽度,输出层权值由线性方程组确定,而网络参数的优化采用梯度下降法的网络设计方法.为了解决学习样本数据的有限性、RBF网络泛化能力较差和容易出现过拟合等问题,在网络训练中采用了基于交叉验证的归一化网络训练方法.通过仿真实验表明该方法训练所得的网络泛化能力及分类的准确率明显提高,并有效避免了过拟合问题.     

径向基函数神经网络的一种构造算法

提出了径向基函数(RBF)神经网络参数的一种新的学习算法——分类优化迭代算法。在此基础上,设计了RBF网络的一种构造算法。仿真结果表明了本文方法的有效性。     

新型广义径向基函数神经网络结构研究

提出了一种新型的广义径向基函数(RBF)神经网络,并研究了该网络的学习方法.不同于传统三层结构的RBF网络,广义RBF网络增加了基函数输出加权层,并在输出层采用超曲面去逼近任意的非线性曲面.实例仿真结果表明,与传统的RBF网络相比,该网络具有良好的逼近性能,收敛速度快,可逼近任意多变量非线性函数.     

循环流化床锅炉燃烧过程建模研究

针对具有多维非线性和纯滞后特性的循环流化床锅炉燃烧过程,采用基于PLS学习算法和OLS学习算法的径向基函数(RBF)神经网络进行建模研究。首先通过循环流化床锅炉仿真平台产生用于建模实验的网络训练数据和泛化数据,然后分别采用OLS算法和PLS算法进行网络训练和泛化研究,最后讨论了影响建模结果的算法参数及其选取方法,重点讨论了PLS算法的4个网络参数的影响和选取。与基于小波网络的建模实验比较,对具有复杂特性的循环流化床锅炉燃烧过程,采用RBF网络建模在保证建模精度的同时,算法参数的选取也较为方便易行。     

一种优化的RBF神经网络模型用于网络流量预测

采用径向基RBF神经网络对网络流量数据的时间序列进行建模与预测。采用传统的学习算法对RBF网络训练时,对网络流量数据容易出现过拟合现象,提出了自适应量子粒子群优化AQPSO算法,用于训练RBF神经网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改善了RBF神经网络的泛化能力。实验结果表明,采用AQPSO算法获得的RBF神经网络模型具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

Nonlinear model structure detection using optimum experimentaldesign and orthogonal least squares

A very efficient learning algorithm for model subset selection is introduced based on a new composite cost function that simultaneously optimizes the model approximation ability and model adequacy. The derived model parameters are estimated via forward orthogonal least squares, but the subset selection cost function includes an A-optimality design criterion to minimize the variance of the parameter estimates that ensures the adequacy and parsimony of the final model. An illustrative example is included to demonstrate the effectiveness of the new approach.     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

Application of temporal difference learning rules in short‐term traffic flow prediction

Studying dynamic behaviours of a transportation system requires the use of the system mathematical models as well as prediction of traffic flow in the system. Therefore, traffic flow prediction plays an important role in today's intelligent transportation systems. This article introduces a new approach to short‐term daily traffic flow prediction based on artificial neural networks. Among the family of neural networks, multi‐layer perceptron (MLP), radial basis function (RBF) neural network and wavenets have been selected as the three best candidates for performing traffic flow prediction. Moreover, back‐propagation (BP) has been adapted as the most efficient learning scheme in all the cases. It is shown that the coefficients produced by temporal signals improve the performance of the BP learning (BPL) algorithm. Temporal signals provide researchers with a new model of temporal difference BP learning algorithm (TDBPL). The capability and performance of TDBPL algorithm are examined by means of simulation in order to prove that the wavelet theory, with its multi‐resolution ability in comparison to RBF neural networks, is a suitable algorithm in traffic flow forecasting. It is also concluded that despite MLP applications, RBF neural networks do not provide negative forecasts. In addition, the local minimum problems are inevitable in MLP algorithms, while RBF neural networks and wavenet networks do not encounter them.     

A fault-tolerant regularizer for RBF networks.

In classical training methods for node open fault, we need to consider many potential faulty networks. When the multinode fault situation is considered, the space of potential faulty networks is very large. Hence, the objective function and the corresponding learning algorithm would be computationally complicated. This paper uses the Kullback-Leibler divergence to define an objective function for improving the fault tolerance of radial basis function (RBF) networks. With the assumption that there is a Gaussian distributed noise term in the output data, a regularizer in the objective function is identified. Finally, the corresponding learning algorithm is developed. In our approach, the objective function and the learning algorithm are computationally simple. Compared with some conventional approaches, including weight-decay-based regularizers, our approach has a better fault-tolerant ability. Besides, our empirical study shows that our approach can improve the generalization ability of a fault-free RBF network.     

新的C-RBF神经网络分类器的设计与实现

从RBF神经元的几何意义出发,提出了一种新的用于模式识别的C-RBF神经网络分类器.与传统RBF网络相比,该算法能够自动地优化RBF网络中核函数的个数、中心和宽度,且由于竞争神经元的引入,省去了传统RBF神经网络输出层线性连接权的计算,从而简化了网络的学习过程,大大缩短了训练时间.     

径向基函数（RBF）神经网络的一种极大熵学习算法

RBF神经网络中心向量的确定是整个网络学习的关键,该文基于信息论中的极大熵原理构造了训练中心向量的极大熵聚类算法,由此给出了网络的极大熵学习算法。文中最后分别用一个时间序列预测和系统辨识问题验证了该学习算法的有效性,同RBF网络和多层感知机的误差回传算法相比,该算法不仅在学习精度和泛化推广能力上有一定程度的提高,而且学习时间有显著的降低。     

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法,并设计了在线学习RBF神经网络的MARAC。通过仿真表明,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短、控制精度高的优点。     

在线学习RBF神经网络的模型参考自适应控制器

本文给出一种在线学习RBF神经网络的快速算法,并设计了在线学习RBF神经网络的MARAC。通过仿真表明,在线RBF神经网络的MRAC计算量小、在线学习、跟踪时间短、控制精度高的优点。