基于PSO的RBF神经网络学习算法及其应用

提出了一种基于粒子群优化(PSO)算法的径向基函数(RBF)神经网络学习方法,首先利用减聚类算法确定网络径向基层的单元数,再用PSO对基中心和宽度进行优化,并与最小二乘法相结合训练RBF神经网络。将此算法用于混沌时间序列的预测,实例仿真表明此方法是有效的。     

基于能量分布的RBF神经网络OLS算法

径向基函数(RBF)神经网络因其结构简单而被广泛地用于非线性函数近似和数据分类。RBF神经网络的隐层神经元的作用可解释成从非线性可分空间向线性可分空间映射的函数。本文提出一种基于能量分布的RBF神经网络OLS算法。实验结果表明我们的方法比标准的OLS其性能更好。     

基于RBF 神经网络的单元机组负荷系统建模研究

采用径向基函数(RBF)神经网络进行多变量系统的建模研究。将正规化正交最小二乘(ROLS)算法扩展到多输入多输出系统，建立多变量系统的RBF神经网络模型。对电厂单元机组负荷系统进行建模仿真研究的结果表明，用该方法建立的多变量热工系统的非线性模型是有效的，具有较高的辨识精度和较好的泛化能力。     

基于RBF神经网络与RLS算法的均衡器

将径向基函数神经网络与横向均衡器相结合,采用递推最小二乘算法更新权值。将最小二乘误差作为代价函数以及与误差相关的变步长,使输出误差较传统的神经网络均衡器进一步减小,收敛速度得到提高。仿真结果表明,该均衡器对线性信道和非线性信道都表现出较好的性能,在较严重的非线性情况下其优越性更明显。     

一类新的离散时间递归RBF神经网络

本文提出一类带有离散时间ＦＩＲ／ＩＩＲ滤波器的递归ＲＢＦ神经网络，ＲＢＦＮＮ的线性输出权值被离散时间ＦＩＲ／ＩＩＲ滤波器代替，以适用于离散动力学系统的辨识和控制以及混沌时间序列预测。     

一种进化RBF神经网络的模型及其训练算法

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性,在函数似合方法优于传统的BP网络,因此被广泛应用于非线性时间序列分析算法领域。本文针对时间序列中的非平稳数据,结合差分平稳化与分阶遗传的思想,提出一个新的进化RBF神经网络的模型及其训练算法。通过实例分析表明,该方法在处理非平稳时间序列方面具有一定的优越性。     

改进的RBFNN学习算法及其应用

RBFNN(radial basis function neural networks)的参数确定得是否合理将直接影响RBFNN的学习性能.通过正交最小二乘算法选择RBFNN的中心由于容易实现而得到广泛的应用,但是正交最小二乘算法并没有对中心宽度的选择作出分析.文章借助正交最小二乘算法确定隐节点中心的位置,并采用类内样本分散度和类间距离共同确定宽度.仿真结果表明本文算法能够达到优化RBFNN参数的目的.     

基于RBF神经网络的润滑油自动识别系统设计

目前通过油料常规质量指标和成分结构信息进行油料种类识别的方法因所需仪器设备多,分析测试过程复杂而缺乏实用性和推广价值;在分析油品理化性能指标与其类别间的相关关系及神经网络的特点后,以最简单方式提取尽可能多的特征参数为原则,通过表观特征参数的途径,设计了一种简单小巧的装置,可同时提取油料密度、粘度、吸光度、电导率和介电常数等参数的特征向量,提出了用RBF神经网络进行油料种类识别的方法,并给出了实现算法;实验结果及应用情况表明,该方法识别效果比较理想,为当前油料种类识别问题给出了一种新的解决途径。     

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。     

一种基于遗传算法的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，采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化，用递推最小二乘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。     

基于混合递阶遗传算法的径向基神经网络学习算法及其应用

在研究径向基神经网络学习算法的基础上, 提出了一种新型的径向基神经网络学习算法———混合递阶遗传算法. 该算法将递阶遗传算法和最小二乘法的优点结合在一起, 能够同时确定径向基神经网络的结构和参数, 并具有较高的学习效率. 采用基于混合递阶遗传算法的径向基神经网络对混沌时间序列学习和预测, 取得了较好的效果.     

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数（RBF）神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.     

Optimizing radial basis function neural network based on rough sets and affinity propagation clustering algorithm

A novel method based on rough sets (RS) and the affinity propagation (AP) clustering algorithm is developed to optimize a radial basis function neural network (RBFNN). First, attribute reduction (AR) based on RS theory, as a preprocessor of RBFNN, is presented to eliminate noise and redundant attributes of datasets while determining the number of neurons in the input layer of RBFNN. Second, an AP clustering algorithm is proposed to search for the centers and their widths without a priori knowledge about the number of clusters. These parameters are transferred to the RBF units of RBFNN as the centers and widths of the RBF function. Then the weights connecting the hidden layer and output layer are evaluated and adjusted using the least square method (LSM) according to the output of the RBF units and desired output. Experimental results show that the proposed method has a more powerful generalization capability than conventional methods for an RBFNN.     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

基于智能容错算法的多传感器皮带秤

传统的多传感器电子皮带秤不具有故障传感器容错功能。针对上述缺陷,提出一种新方法,该方法根据多路传感器之间的相关性,利用径向基函数神经网络（RBFNN）建立故障传感器的预估网络,并将预估信号与其他几路正常传感器信号组合,完成任一传感器在故障状态下的皮带秤称重。经模拟数据仿真,这种方法可有效避免由于传感器故障而产生的计量误差。     

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。     

The improved radial basis function neural network and its application

Compared with other feed-forward neural networks, radial basis function neural networks (RBFNN) have many advantages which make them more suitable for nonlinear system modeling, and they have recently received considerable attention. In this paper, a RBFNN is employed to model strongly nonlinear systems. First, the problems of nonlinear system modeling are analyzed, and then the structure of the RBFNN as well as the training algorithm are improved to solve these problems. Finally, an industrial high-purity distillation column, which is a strongly nonlinear system, is successfully modeled with the improved RBFNN. Owing to the complexities of a nonlinear system, it is necessary to use a real-time model correction method to modify the parameters of the RBFNN model in real time. One efficient method is proposed in this paper. The idea is to employ the Givens transformation to modify the parameters of the RBFNN-based model. This work was presented, in part, at the International Symposium on Artificial Life and Robotics, Oita, Japan, February 18–20, 1996     

基于RBF神经网络的传感器非线性误差校正方法

介绍了利用人工神经网络进行传感器非线性误差校正的原理。提出了传感器非线性误差校正的径向基函数(RBF)神经网络方法,并与采用BP神经网络校正非线性误差进行了比较。最后给出了一个仿真实验,实验结果表明:采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器非线性误差,校正效果优于BP神经网络。     

基于基函数展开的双隐层过程神经元网络及其应用

提出一类基于基函数展开的双隐层过程神经元网络模型．过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力．在输入空问中引入一组函数正交基，将输入函数和网络权函数表示为该组正交基的展开形式，利用基函数的正交性简化过程神经元聚合运算．以旋转机械故障诊断和油藏开发过程采收率的模拟为例，验证了模型和算法的有效性。