用多分布主体代理的径向基函数来分析网络行为

文章提出了一种多分布主体代理的径向基函数来分析网络行为新方法,径向基函数神经网络具有良好的自学能力,而采用分布式多主体代理大大提高了算法的效能。     

径向基函数网络在数值计算中的应用

由经典的函数逼近理论衍生的很多数值算法有共同的缺点：计算量大、适应性差、对模型和数据要求高,在实际应用中受到限制。神经网络可以被用来计算复杂输入与输出结果之间的关系,故神经网络具有很强的函数逼近功能。该文给出了径向基函数网络（RBFNN）的结构及学习过程,重点阐述了RBFNN在函数逼近、求解非线性方程组以及散乱数据插值中的应用,结合MATLAB神经网络工具箱给出了数值实例,并与BP网络进行了比较。应用结果表明RBFNN是数值计算的一个有力工具,与传统方法比较具有编程简单、实用的特点,在工程和科学研究上若将其制成软件包则具有很好的使用价值。     

基于Matlab的径向基函数数值计算软件包

为推动基于无网格方法的计算软件的发展,介绍基于Matlab自主开发的径向基函数（Radial Basis Function,RBF）数值计算软件包,阐述软件的理论基础、设计思路以及该软件包的功能和特点,并结合边界节点法（Boundary Knot Method,BKM）的数值实例给出软件的使用过程．该软件包可以根据不同的数学物理模型选择合适的数值算法来求解多种实际物理问题,也可对不同数值算法得到的结果进行比较．最后,总结应用Matlab进行数值计算软件开发的优缺点．     

混合型径向基函数神经网络检测PVC

采用径向基函数（ＲＢＦ）神经网络作为室性早搏（ＰＶＣ）的检测器,将ＱＲＳ波的模板以及其他不同物理意义的特征参数综合在一个检测网络中,构成一种由Ｇａｕｓｓ函数和Ｓｉｇｍｏｉｄ函数作为隐层点基函数的混合型ＲＢＦ网络,并且给出确定网络结构参数的方法。用ＭＩＴ心电数据库对算法进行验证,单层心电信号的室性早搏检出率达到９８．４６％。     

一种基于Gaussian函数的双向选择径向基函数神经网络算法

径向基函数神经网络是一类重要的神经网络算法。本文对现有的径向基函数神经网络算法进行了总结分析,将现有算法分为前向选择和后向选择两类。在分析各自优缺点的基础上从提高神经网络泛化能力的角度提出了一种新的基于Gaussian函数的双向选择径向基函数神经网络算法——BSRBF,从数理角度研究了神经元选择的基本技术方法,并对算法的基本思想和具体步骤进行了阐述。最后,用一个实验对比验证了双向选择算法的有效性。     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷。采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标。同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题。最后将该算法应用到某地区电力负荷预测取得理想效果。     

基于广义径向基函数的神经网络分类预测

径向基函数网络是神经网络中一种广泛使用的设计方法.它把神经网络的设计看作是一个高维空间的曲线逼近问题.相对于其他的神经网络方法.径向基函数神经网络除了具有一般神经网络的优点,如多维非线性映射能力、泛化能力、并行信息处理能力等,还具有很强的聚类分析能力,学习算法简单方便等优点.针对一个实际分类问题,利用广义径向基函数网络的思想训练一个网络并实现对测试数据集的分类预测.本算法采用k-均值聚类算法训练广义径向基函数网络中心,使用奇异值分解计算输出层权值.对该网络的实现细节及待改进之处进行简要分析.实验表明广义径向基函数神经网络的思想具有很强的聚类分析能力,学习算法简单方便等优点.     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷.采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标.同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题.最后将该算法应用到某地区电力负荷预测取得理想效果.     

径向基函数网络预测混合气体浓度

基于气体传感器阵列的混合气体分析方法及研究现状,对径向基函数神经网络对混合气体浓度预测进行了研究.用气体传感器阵列对由四种不同气体组成的混合气体进行测量并以这些测量数据为样本对径向基函数网络进行训练,训练后可使径向基函数网络对各气体成分的浓度预测误差不大于6%.     

基于便携式机器人系统的可靠度配置策略的研究

本文提出了一种有效的面向便携式机器人系统的可靠度二级配置策略，这种配置策略 是有约束条件下的一种可靠度优化配置方法，其第一级配置采用评分分配法，第二级配置采 用“花费最小”原则并用能简化求解过程的二维混合协调法对优化配置进行求解，用此法进 行便携式机器人的可靠度配置合理易行，优化分配效果好．     

逻辑函数绝对最小覆盖的改进算法

逻辑函数的绝对最小化算法存在的主要问题是运行时间过长和需要的存储空间过大。本文提出了一个从给定本源蕴涵项集合中抽出一个绝对最小覆盖的算法，而时间、空间的需求被大缩小了。     

基于径向基神经网络的浮游植物分类系统

应用模糊聚类和小波变换提取浮游植物活体的特征光谱,并以此为输入向量,引入径向基函数网络对浮游植物的光谱进行分类识别,建立了适用于光谱识别的径向基函数神经网络系统.结果表明,该方法较传统的统计方法更方便,识别准确率更高.     

基于Contourlet系数的广义高斯分布参数的混合估计方法

提出采用广义高斯概率密度建模的Contourlet变换系数的形状参数混合估计方法.当形状参数值较小时,对于小样本采用熵匹配方法估计,而对于大样本利用最大似然方法估计.当形状参数值较大时,采用矩方法估计.实验结果表明,所提出的方案可以有效准确地对Contourlet变换子带进行建模.     

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。     

多输出逻辑函数最小化的一个算法

本文描述一个多输出逻辑函数的最小化算法。函数解中积项总数的多少被看作是衡量算法优劣的最重要指标。因此，我们努力使解中的积项被尽可能多的组成函数共享。本文求本源蕴涵项的方法与［１］是相似的。因此，本文也可看成是［１］向多输出函数的延伸。     

基于小波框架的自适应径向基函数网络

给出了由高斯径向基函数生成的一组小波框架,建立在小波框架理论的基础上,构造性地证明了高斯径向基函数网络可以任意精度地逼近L2(Rd)中的函数.在此基础上,利用高斯径向基函数的时频局部化性质和自适应投影原理,进一步给出了构造和训练网络的自适应学习算法.应用到信号的重构和去噪,获得了良好的效果.     

AN ALGORITHM FOR FINDING ALL FUNCTIONS EMBEDDED IN A RELATION

The problem is posed: find an algorithm which for any given n-dimensional relation R ? A₁ × A₂ × ? × A_n, defined on a set family A = { A₁, A₂, ?, A_nrcub;, n = 1,2, ?, determines all functional dependences between disjoint subsets of A which are embedded in R. A solution algorithm is presented, a theorem is proved that allows a simplification in the algorithm, and an efficient computer implementation (available through the General Systems Depository) is demonstrated.