基于径向基函数神经网络的智能嗅觉系统

提出了基于智能嗅觉系统的识别混合有毒气体组分浓度的方法。该系统包括两大部分：有毒气体传感器阵列模埠和径向基函数神经网络模块。前者用于获取反映有毒气体组分的电信号，后者用于提高识别混合有毒气体组分的选择性，降低气体传感器阵列中各个敏感器件的交叉灵敏度。径向基函数神经网络具有很强的非线性并行处理能力和容错能力，实例分析取得了满意的测量结果。     

基于径向基函数网络的一步超前预测控制研究

提出一种基于径向基函数（RBF）神经网络的一步超前预测控制算法。该方法只用于一个网络，控制量的获取只求几步迭代，算法简单并有较好的实用性。通过对离散非线性系统的仿真证明了算法的有效性。     

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.     

基于蚁群径向基函数网络的地下水预测模型

提出了一种基于蚁群算法的径向基函数神经网络,用它来进行地下水位预测,既具有神经网络广泛映射能力,又具有蚁群算法全局寻优、分布式计算等特点。实验表明,蚁群算法与径向基函数神经网络相融合能达到良好的预测效果。     

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。     

基于径向基函数网络的FBG传感光谱的重构

针对光纤Bragg光栅(FBG)解调系统中由于传感器部分脱粘、数据采集的量化误差引起的系统性能的非理想性,FBG反射回的光谱会发生失真。如果直接利用峰值检测法进行波长检测,存在较大的检测误差。于是便提出了用径向基函数网络(RBFN)拟合光纤光栅反射后的失真光谱的方法,此法与峰值检测法、高斯曲线拟合法相比,能够更大程度地减小波长检测的误差,提高解调的精度,并且,能够对多个光栅光谱进行重构。     

径向基函数网络的功能分析与应用的研究

径向基函数网络与BP网络在网络结构上都属于前向网络,但它们对网络权值训练所采用的算法是完全不同的。另外,径向基函数网络的网络结构与模糊系统有很紧密的关联。该文从径向基函数网络的结构入手,分别对其所具有的特点、权值训练、网络设计方法及其应用等方面,通过分析与实例,采用对比的方式,给予实验的验证。     

变结构径向基函数网络及其在混沌序列在线预测中的应用

为了利用径向基函数(RBF)神经网络对混沌序列进行精确和快速的在线预测,提出一种在线构造变结构RBF神经网络的序贯学习算法。该算法建立实时更新的滑动数据窗口,通过学习窗口内的数据对隐节点进行增加和删除,动态确定RBF神经网络隐节点的数目及中心位置,并对隐层至输出层的连接权值进行在线调整。该算法具有调节参数少、学习速度快以及所得网络结构精简等特点。将该网络用于Mackey-Glass混沌时间序列的在线预测实验,结果验证该算法对该混沌序列具有良好的在线动态辨识和预测性能。     

径向基函数网络光度法用于多组分分析

对神经网络在多组分光度分析法中的应用进行了研究。应用径向基函数网络和BP网络 ,采用紫外光度法同时分析了色氨酸、酪氨酸和苯丙氨酸三元组分 ;采用速差动力学光度法同时分析了铜、锌、铁混合组分。实验证明 ,径向基函数网络在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

基于径向基函数模型的非线性预测控制策略研究

提出了一种基于径向基函数的非线性过程预测控制策略.首先,开发过程径基函数网络模型:根据过程特性,选择模型阶次、径基函数类型,用K均值法确定基函数中心位置,统计F检验确定基函数中心的数目,迭代最小二乘法确定径基函数网络权系数.然后,利用网络模型抽取非线性预测控制器(NLPC)特征样本训练构造径基函数网络预测控制器(RBFPC).仿真结果表明,与NLPC比较,由于RBFPC不必在线解非线性最优化问题,易于在线快速实施;与PI控制器比较,RBFPC具有更好的跟踪设定值性能和抗干扰性能.     

基于RBF神经网络的水泥强度预测

利用RBF神经网络的算法，建立了水泥强度的预测模型。通过实际数据比较计算，RBF神经网络明显优于BP网络，该模型为水泥强度的快速预测提供了一种新方法。     

IGA-DFNN在瓦斯浓度预测中的应用

为了准确预测采煤工作面的瓦斯浓度,提出免疫遗传算法优化的动态模糊神经网络瓦斯浓度动态预测方法。用无线传感网络系统采集工作面瓦斯浓度数据作为样本,通过小波分析对样本数据进行降噪滤波预处理。采用IGA算法对DFNN网络参数进行优化,建立了瓦斯浓度的预测模型。通过MATLAB仿真研究表明,所建模型对采煤工作面的瓦斯浓度演变趋势预测合理,并且经过IGA算法优化DFNN网络比单纯的DFNN网络具有更快、更准确的预测功能,可以为防治煤矿瓦斯积聚提供更好的理论支持。     

应用径向基函数网络进行足球机器人视觉系统的标定

在足球机器人视觉系统中,由于摄像机是普通的非量测摄像机,所以实际空间点的三维几何位置与其在图像中对应点之间是一种复杂的非线性映射关系,必须进行摄像机标定。由于基于精确模型的各种标定方法比较繁琐,而径向基函数网络可以实现从输入到输出的任意的非线性映射,论文将径向基函数网络应用于足球机器人视觉系统的标定,仿真实验结果表明该算法是确实可行的。     

基于RBF神经网络的电化学CO气体传感器的温度补偿

针对电化学CO气体传感器的输出精度易受环境温度影响的缺点,提出了一种基于RBF神经网络的温度补偿方法,并借助所设计的气体采集系统进行了实验研究.实验结果表明,未进行温度补偿时传感器输出最大误差为20.0%,基于BP神经网络温度补偿方法的误差为1.44%,而采用RBF神经网络进行温度补偿后最大误差可达到0.12%,故该方法可有效的用于电化学CO气体传感器的温度补偿,令传感器具有更高的测量精度和温度稳定性.     

改进型RBF神经网络的多标签算法研究

针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huff man树来选取初始聚类中心以防k-均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.     

基于RBF神经网络的非线性系统的预测

对于非线性系统的预测辨识,提出用动态节点生成构造性RBF神经网络作为预测模型,且RBF神经网络的学习算法采用一种新的全监督式学习算法,即神经网络隐层引入新节点时,通过使新节点的输出尽可能逼近残差序列的方向来获取网络参数,从而减少学习误差,使网络输出能够较好的跟踪系统输出。仿真表明该学习算法的有效性。     

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。     

RBF 神经网络的递阶遗传训练新方法

针对RBF网络的特点,提出一种递阶遗传算法,不仅可以同时确定网络参数(连接权、隐节点中心和宽度),而且解决了网络拓扑结构的优化训练问题。算例仿真表明所提出的算法是很有效的。     

改进的RBF神经网络在磨矿指标预测中的应用

针对选矿生产过程中磨矿生产率和磨矿浓度、介质填充率和料球比3个指标之间的关系,分析了磨矿生产率对磨矿过程产品质量和工作效率的影响,提出了磨矿过程预测模型,采用了模糊聚类与改进的遗传算法相结合训练RBF神经网络的新方法。仿真结果表明,该模型可以快速准确地预报生产状况,对于企业进行实时生产控制具有较高的实用价值。     

传感器故障检测、分离与恢复的神经网络方法

传感器是测控系统不可缺少的部件,传感器数据的高可靠性是系统正常工作的重要保证,本文基于递归神经网络具有优良的动态系统建模能力和时间数据序列预报区能力,融合时空信息,构造出具有传感器故障检测,分离和故障恢复能力的智能传感器系统,理论 仿真结果表明,所研究系统的优良性能。