基于径向基过程神经网络的储层岩性识别

识别并评价油气储层是油田勘探开发工作中至关重要的部分,而目前现有的岩性识别方法一般不能表述地层的非均质性,也没有考虑到地层参数随着深度而变化所产生的影响.本文提出一种基于径向基过程神经网络的岩性识别模型,并用实际数据进行了验证.实验结果表明,所提出的方法有着较高的识别率,是一种可以实际应用的方法.     

基于径向基概率神经网络的工程图纸图形符号识别

基于径向基概率神经网络，提出一种扫描工程图纸图像分割后的图形符号识别方法，针对已分割的扫描工程图纸图形符号图像，首先进行二值化处理，然后对二值图形符号图像进行Hu不变矩特征提取，再使用一种新型的径向基概率神经网络进行分类，从而实现图像识别．为加快径向基概率神经网络的收敛速度，采用递归最小二乘算法进行训练．实验结果表明，径向基概率神经网络在识别性能与速度等方面非常适合于工程图纸的图形符号识别。     

基于径向基概率神经网络的气象参数状态识别

局部气象参数实时数据是船舶航行、飞机起降所需要的非常重要的海洋气象参数.这些参数实时数据中的奇异数据对航行导航可能会导致危险后果.提出了一种基于径向基概率神经网络的气象重要参数状态识别方法用来识别奇异数据.将气象参数实时数据作为神经网络的输入,参数对应状态作为输出,通过对径向基概率神经网络模型训练,实现数据状态识别,将故障奇异数据进行有效识别.保证了气象观测系统输出数据的可靠性.实验结果表明,该方法可靠,且具有较好的泛化能力,能够实现气象参数实时数据状态的有效识别.     

概率神经网络方法在岩性识别中的应用

本文研究利用概率神经网络方法进行测井资料的岩性识别;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其计算量小且预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,概率神经网络在岩性识别问题中有着一定的应用前景。     

最大绝对误差结合微遗传算法优化径向基概率神经网络

使用最大绝对误差算法(MAEA)优选径向基概率神经网络(RBPNN)隐中心矢量,将MAEA与求解RBPNN最优核函数控制参数的微遗传算法(μGA)相结合(MAE-μGA)来共同实现RBPNN的全结构优化.实验结果显示,对比其他几种算法,MAE-μGA优化后的RBPNN结构最简,而且在推广能力方面略好于其他几种优化方法.另外,MAE-μGA对径向基函数网络也有很好的适用性.     

基于径向基概率神经网络的植物叶片自动识别方法

提出一种将Gabor小波和神经网络相结合应用于植物叶片自动识别的方法.该方法对活体植物图像进行多尺度Gabor纹理特征提取,再使用一种径向基概率神经网络模型进行分类识别.实验结果验证该方法的有效性.     

基于径向基神经网络的语音识别技术

深入分析研究了径向基神经网络的优缺点,并对其进行了改进,分析讨论了语音识别研究中,径向基神经网络的设计原则以及特征参数等对语音识别结果的影响。将其应用于数字语音识别中,实验结果表明,基于改进型的径向基神经网络的语音识别方法有着较好的识别性能和应用效果。针对非特定人的孤立词识别,识别率可以达到90%以上。     

基于径向基函数神经网络的特征识别技术研究

特征表示和识别效率是基于神经网络特征识别技术所面临的基本问题。在研究特征拓扑结构信息的基础上，提出一种应用特征构成面及其邻接边信息构成特征编码的特征表示模型，并在此基础上，提出基于径向基函数神经网络的特征识别方法。最后，应用此方法实现了对典型加工特征的识别。     

一种新的径向基概率神经网络模型（I）：基本理论

文中在径向基函数网络（ＲＢＦＮ）和概率神经网络（ＰＮＮ）的基础上，提出了一种径向基概率神经网络（ＲＢＰＮＮ）模型，这种网络保留了前两种网络模型的优点，即可以减少网络连接权值的训练时间，又能减少网络隐单元的数目，同时，网络用于测试的时间也较ＲＢＦＮ明显一地下降。     

一种新的径向基概率神经网络模型（Ⅱ）：模型分析

文中从线必玳数的角度，对已提出的径向基概率神经网络（ＲＢＰＮＮ）的映射特性作了详尽的分析，最后，使用实测的飞机目标数据验证，该模型用作模式分类器十分有效的。     

一种基于模糊径向基神经网络的图像融合方法

传统的基于区域特征图像融合方法的一个难点是各源图像最佳权值的分配问题。该文利用径向基神经网络与T-S模糊推理模型具有函数等价性的特点,设计了一种模糊推理神经网络实现基于区域特征的图像融合,并用遗传算法优化网络参数。该网络能够自适应地动态获取优化的图像融合权值参数。仿真实验表明该算法有效可行,通过与传统的基于区域特征的图像融合算法相比,融合性能得到明显改善。     

基于改进遗传算法和图神经网络的股市波动预测方法

针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题,为能够准确预测股票波动、有效防范金融市场风险,提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先,利用相邻交易日间的时序关系构建股市交易指标图数据;其次,通过评价指标特性优化交叉、变异概率来改进遗传算法（GA）,从而实现节点特征选择;然后,建立图数据的边与节点特征的权重矩阵;最后,运用GNN进行图数据节点的聚合与分类,实现了股市波动预测。在实验阶段,所研究的股票总评价指标数为130个,其中IGA在GNN方法下提取的有效评价指标87个,使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取,得到的算法与未进行特征提取的智能算法相比,预测准确率整体提升了7.38个百分点;而与应用传统GA进行智能算法的特征提取相比,应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中,IGA-GNN方法的预测准确率最高,相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点;而该方法与用传统GA进行特征提取的GNN方法相比,训练时间平均缩短了15.97%。实验结果表明,所提方法可对股票特征进行有效提取,预测效果较好。     

基于概率神经网络的蛋白质相互作用分类器

蛋白质-蛋白质作用面上的结构特征对于研究蛋白质功能具有重要意义。提出了一种新的、基于统计直方图提取蛋白质作用面特征的方法,并且利用提取出的作用面特征,结合概率神经网络,实现了对作用面结构类型的分类预测。从预测结果来看,统计直方图提取出的特征,对蛋白质作用面结构具有很好的区分能力,而且可以通过调节划分的区间个数和节点的选取方式,达到对作用面结构的不同粒度的描述,以适用于不同目的的研究,这可能对与结构有关的某些生物信息学问题的研究具有启发性。利用概率神经网络对作用面结构进行分类预测,避开了费时的结构比对和数据库搜索,且训练快速,扩展能力强,正确率高,对独立测试集的911个蛋白复合物视在正确率达到90.67%。基于该算法的MATLAB分类器软件可以通过E-Mail与作者联系获取。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法,将RBF神经网络的参数组成一个多维向量,作为算法中的粒子进行进化,由此在可行解空间范围内搜索最优解。实例仿真表明,该学习算法相比于传统的学习算法计算简单,收敛速度快,并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于遗传算法的BP神经网络技术的应用

针对BP网络的不足,提出了基于遗传算法的神经网络技术。将两者有机的融合在一起,充分利用了GA算法的全局搜索能力和BP算法的局部搜索能力,加快了收敛速度,提高了收敛精度,将其应用于高速公路动态称重系统的神经网络控制器的训练中,取得了较好的效果。     

用蛙跳算法优化RBF神经网络参数的研究

针对径向基函数（Radial Basis Functions,RBF）神经网络结构参数确定问题,提出了一种基于蛙跳算法优化RBF神经网络参数的新方法。将RBF神经网络参数组成一个多维向量,作为蛙跳算法中的参数进行优化。以适应度函数为标准,在可行解空间中搜索最优解,并对蛙跳算法进行了改进。非线性函数逼近实验结果表明,该优化算法相对标准遗传优化算法、粒子群优化算法有较小的均方误差,具有更好的逼近能力。     

群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法

针对最大类间方差准则下的图像分割结果携带原图信息量不足、实时性差和脉冲耦合神经网络（PCNN）模型中循环迭代次数难以确定的问题,提出了群智能算法优化的结合熵的最大类间方差法（OTSU-H）与PCNN融合的自动图像分割算法。首先,充分利用图像的灰度分布信息和相关信息,将图像信息中冗余度、竞争性以及互补性有效地融合,构造二维和三维观测空间,提出了OTSU-H准则的快速递归算法;其次,将快速递推算法的目标函数分别作为布谷鸟搜索（CS）算法、萤火虫算法（FA）、粒子群优化（PSO）算法和遗传算法（GA）四种群智能算法的适应度函数;最后,将优化之后的OTSU-H引入PCNN模型中自动获取循环迭代次数。实验结果表明,与原始的最大类间方差法（OTSU）、最大熵准则以及基于图论分割、像素的聚类分割和候选区域语义分割的图像分割算法相比,所提算法具有较好的图像分割效果,同时降低了计算复杂度,节约了计算机的存储空间,具有较强的抗噪能力。所提算法时间损耗少、不需要训练的特性使得算法的运用范围较广。     

基于多技术融合加权平滑的径向基函数神经网络熔融指数预报

针对在对聚丙烯熔融指数进行预测时优势数据和优势变量不突出影响预测精度、数据平滑度不够影响泛化性能的问题,提出了基于多技术融合加权平滑的径向基函数神经网络预报模型。综合运用了在时间尺度基于空间欧氏距离加权、在变量维度上基于灰色关联和线性回归误差加权两种数据加权方案,基于过程变量差分序列欧氏距离的平滑和局部线性平滑两种数据平滑方案,解决了模型精度和泛化性低的问题。为进一步改进模型性能,采用带误差补偿的非线性自回归滑动平均模型框架和径向基函数神经网络,利用自校正预测控制算法和分段线性变学习率算法,对模型进行优化。结合某厂真实数据对模型进行验证,预报结果在泛化集上为：平均相对误差( MRE )1.32%、均方根误差(RMSE)0.0459。与其他方法进行了详细的比较分析,结果表明该模型具有良好的预报精度和泛化性能,在大时滞工业过程领域具有一定的应用价值。     

基于模糊径向基神经网络和稀疏表示的毫米波图像恢复

针对毫米波（MMW）图像包含大量未知噪声、图像分辨率较低的问题,考虑模糊径向基函数神经网络(F-RBFNN)的非线性滤波特性和基于K-奇异值分解（K-SVD）稀疏表示（SR）的自适应消噪特性,提出了一种级联消噪的毫米波图像恢复方法。F-RBFNN将模糊逻辑的知识表达和推理能力与RBFNN的快速学习能力和泛化能力结合起来,可根据实际问题调整网络结构参数,对MMW图像达到非线性滤波的目的。进一步利用K-SVD稀疏表示具有人眼视觉特性,在保持目标特征的同时可有效消噪的优点,对FRBFNN的训练结果再次进行局部图像降噪,得到分辨率较高的MMW图像。采用相对信噪比（RSNR）作为消噪图像的评价标准,实验结果表明,与F-RBFNN、K-SVD消噪、小波消噪等方法相比,基于F-RBFNN和SR的降噪方法能够获得较好的MMW图像恢复质量。     

基于径向基函数的多帧图像超分辨重建算法

神经网络具有强大的非线性学习能力,基于神经网络的多帧超分辨重建方法获得了初步研究,但这些方法一般只能应用于帧间具有标准位移的控制成像情形,难以推广应用到其他实际情况。为了将神经网络强大的学习能力应用到非控制成像多帧超分辨重建中,以获得更好的超分辨效果,提出了一种利用径向基函数(RBF)神经网络进行解模糊的算法,并将其与多帧非均匀插值结合起来,形成了一种新的两步超分辨算法。仿真实验结果表明,该算法的结构相似度为0.55～0.7。该算法不但扩展了RBF神经网络的应用范围,还获得了更好的超分辨性能。