基于径向基函数神经网络的机载数字地图压缩方法

提出了一种基于径向基函数(RBF)神经网络的机载数字地图压缩方法，并给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此其泛化性大大增强。数字仿真表明该方法具有自动适应地形、参数配置合理、机载计算量小等特点。     

径向基函数神经网络

本文介绍了径向基函数神经网络的基本结构，学习算法及收敛条件。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

利用径向基函数改进算法实现函数逼近

分析了径向基函数神经网络(RBFNN)的原理,总结出径向基函数网络的一种实用插值算法.按照此方法对实际的例子进行了计算,结果表明,本算法快捷、可靠.     

径向基函数神经网络地质曲面重建及应用

建立了一种适用于地质曲面重建的径向基函数（ＲＢＦ）神经网络模型,并给出了具体算法,和一般曲面插值方法相比,该模型对原始数据的分布和边界条件无特别的要求。因而适合于遭到模型有较大的实用价值,将该模型应用于某煤田,结果表明,该模型的拟合效果较好,能较好地反映煤层的实际分布情况。     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型，可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系，并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系．为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具．     

基于径向基函数神经网络的精馏塔优化控制

精馏塔是化工过程中最常用的操作单元 ,其具有很强的非线性和时变性 ,很难进行机理建模分析或常规在线实时控制。针对精馏塔的非线性和时变性等特点提出了一种基于径向基函数神经网络的软测量模型的优化控制策略 ,从而解决了精馏塔建模困难的问题。由于采用了径向基函数网络 ,并利用正交化最小方差学习算法来训练径向基函数神经网络 ,使得控制算法简捷可靠 ,适用于时变对象 ,并具有很强的鲁棒性。将软测量结果与现场数据比较 ,表明本模型具有比较准确的跟踪显示效果 ,最后将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中 ,并达到了满意的控制效果。     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

一种用于径向基函数（RBF）神经网络训练的有效方法

提出了一种用于径向基函数神经网络训练的新方法，即Ｇａｕｓｓ－Ｊｏｒｄａｎ与广义逆的复合法。仿真结果表明，此方法训练速度快，实时性强，其收敛性和收敛严谨的比正交最小二乘算法效果好。     

一种基于径向基函数神经网络的语音降噪方法

采用径向基函数神经网络在时域上对含噪语音信号进行降噪处理．针对语音信号的短时平稳性以及噪声的随机性,对语音信号进行分帧预处理;用分帧后的纯净语音信号作为径向基函数网络的教师信号,并利用Matlab神经网络工具箱设计和训练网络．实验结果表明,径向基函数网络作为语音信号滤波器,可有效地抑制语音信号中的白噪声,具有良好的降噪性能．     

基于径向基函数网络的经济时序预测模型

介绍了径向基函数(RBF)神经网络的结构和特点。给出了其在经济时间序列预测中的应用，较为系统地阐述了RBF神经网络在经济预测中应用的步骤和过程。与BP模型相比该模型在预测精度和收敛速度方面具有显著的优点。     

基于RBF神经网络的超市客户保持预测模型研究

利用RBF神经网络数据挖掘算法建立了超市客户保持预测模型,在MATLAB开发环境下进行程序设计和仿真分析,并与BP算法进行对比,完成了超市客户保持预测的任务,分析了该算法的优越性.     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA—RBF神经网络模型的备件预测方法．首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络．通过结合实例进行分析,取得了较好的效果．     

基于数据挖掘的乳腺X线图像分类研究

研究了基于灰度空域统计特征以及灰度共生矩阵的医学乳腺X线图像的特征提取方法,以及这些特征对于数据挖掘中的两种算法——基于神经网络的算法和基于关联规则挖掘的算法在乳腺肿瘤检查和分类中的作用,结果表明这些特征在两种分类方法中均表现良好,对良性与恶性肿瘤分类的准确率均超过了75%.实验证明所提出的特征提取方法对于神经网络和关联规则的挖掘在乳腺X线图像分类中是有效的.     

基于神经网络的迭代控制研究

利用迭代学习控制过程记忆的期望控制ud(t)、期望轨迹yd(t)以及跟踪误差ek 1(t),提出了用迭代学习控制理论进行系统控制律设计的方法,并基于神经网络的拟合算法拟合出控制系统PID控制器的参数,实现了对系统的迭代学习控制.研究表明,这种方法实现的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性.仿真实例表明了这种方法具有很好的可行性和实用性.     

基于神经网络聚类的研究

提出了一种基于Kohonen网络的改进聚类算法,并给出了基于数据仓库平台的具体实现方案。通过对实例的聚类测试,对算法本身的若干指标进行了研究分析。     

基于DCT和神经网络的视频版权保护算法

针对目前数字水印技术对视频版权保护和抵抗攻击时存在的一系列问题,提出了基于DCT、数字水印、神经网络和数据加密等技术的有效算法．该算法首先将原始水印信息采用Arnold变换进行置乱处理,然后运用神经网络将水印嵌入到宿主视频中,提取时利用确定的神经网络实现水印的盲提取．实验结果表明,该算法具有较好的不可见性和鲁棒性．