基于自适应RBFN阵列的说话人识别

提出一种可用于说话人识别的自适应RBFN阵列。RBF网设计的核心在于确定网络中心的数目及位置，该自适应算法有效地融合了IOC与ROLS算法的优点，不仅能动态调节RBF网的隐节点数，还能使网络的数据中心自适应变化，很好地优化了网络的结构。用与文本无关的闭集说话人识别系统对该算法进行了验证，实验结果表明，该方法与传统的RBF算法相比，自适应RBF网具有较好的鲁棒性以及精简的网络结构等优点。     

基于神经网络的列车自动驾驶控制算法研究

对列车自动驾驶系统的速度控制过程进行了分析,针对传统PID算法缺乏自适应能力的缺点,在传统神经网络算法的基础之上对神经元的学习算法作出改进,设计出了基于RBF网络辨识的单神经元自适应PID控制器,仿真结果表明该控制器能够满足列车自动驾驶系统速度控制要求。     

近邻传播聚类算法的RBF隐含层节点优化

传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态,为了提高RBF神经网络的效率,提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法,并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法,无需事先给定隐含层中心节点的个数,能够适用于不具有先验信息的预测。首先,利用AP算法根据训练样本的信息进行聚类迭代,从而确定RBF神经网络中隐含层的中心节点和节点数值,解决了RBF网络的中心取值问题。然后,把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于AP算法无需预先指定聚类数目,所提方案能提高网络的学习精度和训练速度,利用所提优化方案对正弦函数进行逼近的仿真实验,结果表明该方案的逼近误差仅为0.005 5,在0.3噪声下能保持较好的预测精度。     

基于RBF神经网络的永磁同步伺服电机控制系统

针对永磁同步电机控制系统,建立其磁场定向控制数学模型。运用增量式数字PID的方法实现对PMSM的传统PID控制策略。在此基础上,借助RBF神经网络的学习能力,进行PID控制器参数的自适应整定,进一步改善PID控制器的性能。同时,为提高RBF网络性能,采用粒子群算法对网络进行优化。仿真表明,与传统PID控制比较,基于RBF的PID控制系统能提高PID控制器的性能,改善了PMSM控制系统的收敛速度和跟踪精度。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于动态神经网络在线辨识的PID控制

针对工业控制领域中复杂非线性时变系统和传统RBF神经网络辨识PID控制的不足,提出了一种基于聚类结合算法的动态RBF神经网络在线辨识PID自适应控制方法.通过优化的动态RBF辨识神经网络更好地描述了控制对象的动态行为,获得PID参数在线调整信息,实现系统的智能控制.仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比该方法具有较高的控制精度,较快的系统响应,较强的适应性和鲁棒性.     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

基于GA优化RBF网络的焦炭质量模型

文章提出了一种基于遗传算法(GA)优化径向基函数(RBF)神经网络的焦炭质量预测模型。RBF网络存在两个关键问题：一是如何确定隐含层中心,而是如何调整网络权值。本文通过减聚类算法确定RBF网络基函数的中心数目,应用遗传算法对RBF网络权值进行优化。主要对焦炭的抗碎强度、耐磨强度、反应性指数和反应后强度使用GA优化RBF神经网络预测。结果表明该模型有较强适应性,同时能保证较高的预测精度,具有一定的实用价值。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识，采用径向基函数神经网络（RBFNN）建立混沌背景的一步预测模型，RBF网络利用遗传算法训练，最后，设计了门限滤波器，得到感兴趣的信号。仿真结果表明，在非线性程度很高的情况下，通过与其它几种训练RBF网络算法的比较，利用遗传算法训练的RBF网络具有最高的检测精度，并且训练得到的网络的复杂程度最低。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

遗传算法优化RBF网络的图像杂波抑制技术研究

在红外搜索与跟踪系统中,背景杂波抑制效果将直接影响到低信噪比条件下点状运动目标的检测及跟踪性能。利用RBF神经网络的非线性映射能力和遗传算法的全局搜索机制,本文研究了一种利用遗传算法（GA）优化RBF神经网络的背景杂波抑制技术。杂波抑制后,残留噪声的高斯性和独立性通过Kendall秩相关法和计算Friedman统计量的方法进行了验证,背景杂波抑制效果与BP神经网络和常用的Uniform加权函数进行了比较,结果表明本文研究方法可行有效。     

基于RBFNN和GA优化设计DGS微带*线

采用神经网络与遗传算法相结合的方法,对一种缺陷接地结构微带线进行优化设计。整个优化设计过程分为两步进行：首先采用基于混合递阶遗传算法优化训练的RBF神经网络对缺陷接地结构微带线进行建模,当神经网络模型训练成功后就实现了对这种缺陷地结构微带线传输系数快速和精确的输出仿真;然后利用该神经网络模型,并结合遗传算法共同优化设计这种缺陷地结构微带线的传输系数和尺寸参数。仿真结果验证了该方法的有效性和准确性。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于RBF神经网络的加速度传感器动态补偿研究

提出一种应用径向基函数(RBF)神经网络进行加速度传感器动态性能补偿方法.介绍动态补偿原理以及算法,并将其与BP神经网络法和系统辨识法进行比较.该方法利用加速度传感器的动态标定数据,采用RBF神经网络搜索和优化补偿模型参数.结果表明,这种补偿模型误差小,比用系统辨识法有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度.     

基于遗传算法的RBF网络的短期电力负荷预测

以影响电力负荷的主要因素气象参数,建立了短期负荷预测的模型,提出了一种基于遗传算法的RBF神经网络,进行了负荷预测,使用气象参数建立神经网络模型,根据已知待预测前的历史负荷数据,预测一日24小时负荷值。通过算例进行了验证,验证了计算是可行的。