基于免疫原理的RBF网络Carrousel氧化沟系统预报

为提高Carrousel氧化沟系统水质模拟的精度,利用免疫算法结合RBF神经网络进行建模,并加入k-means聚类对样本进行预处理。以某污水处理中心两年生产数据进行实验,测得出水TN的预报误差0.195 6,出水TP的预报误差0.145 6,较仅用RBF网络均有很大提高,证明该方法可以应用于Carrousel氧化沟系统的在线实时预测。     

基于距离和密度聚类的RBF网络结构设计

为确定径向基函数RBF(radial basis function)神经网络隐含层结构,并针对基于距离或密度聚类的RBF神经网络的限制,提出一种基于距离和密度聚类(GDD)算法的RBF神经网络.GDD算法通过计算每个样本的密度,各样本间的距离及相似条件(密度标准、距离标准),相似条件是根据样本分布而改变的,进行样本空间...     

RBF神经网络在柔性触觉传感器解耦中的应用

针对柔性触觉传感器模型高度非线性、解耦难度大等问题,提出一种有效的方法来模拟柔性触觉传感器在实际应用中含噪声的情形。首先在理想条件下的传感器模型上添加不同幅度的高斯白噪声并建立其数学模型,之后通过K-均值和递归最小二乘法优化RBF神经网络,并利用优化后的RBF神经网络算法逼近受噪声干扰的传感器阻值与形变之间的高维非线性映射关系,最后基于不同的展开幅度通过行列阻值解耦出传感器三维形变信息,获得了较好的解耦精度。解耦结果表明,RBF神经网络算法具有较强的鲁棒性和抗噪声能力,能够很好地逼近含噪声的传感器高维非线性数据之间的映射关系。     

光学4f系统灰度误差补偿的实现

为补偿光学4f系统灰度误差,提出基于直方图匹配和径向基函数(RBF)神经网络的灰度误差补偿方法。首先利用径向基函数神经网络拟合经光学4f系统输出图像的直方图与对应输入图像的直方图之间的非线性变换,得到输出图像与输入图像的直方图匹配变换曲线的最优估计;再依据直方图匹配曲线的最优估计对经光学4f系统的输出图像进行直方图匹配,得到灰度误差补偿后的图像。利用实际的光学4f系统进行光学实验,灰度误差补偿后图像的信噪比平均提高了2.96dB,视觉效果明显改善。实验结果表明,该方法能有效补偿光学4f系统灰度误差,提高基于光学4f系统的光学信息处理的精度。     

钴湿法冶炼萃取过程中的组分含量软测量

提出了一种钴湿法冶炼萃取组分含量混合建模方法.该模型由基于物料衡算关系的动态机理模型与基于萃取平衡实验数据的RBF神经网络模型组成.机理模型作为描述过程动态行为的整体框架,RBF神经网络用来辨识机理模型中的未知函数关系.在上述混合模型的基础上,还提出了一种模型校正策略,进一步提高了模型的精确性.将所建立的混合模型应用于实际湿法冶炼生产过程中,结果表明该方法具有良好的估计性能.     

模糊 RBF 神经网络在语音识别中的应用

常规RBF神经网络的隐层一般采用高斯函数,然而任意输入对于中心点的隶属程度并不总是服从高斯分布,将模糊理论引入常规的RBF神经网络对其进行改进,用任意输入模式与各类中心的隶属度来替代原有的径向基函数输出。实验结果表明改进后的模糊RBF神经网络识别率得到了提高。     

基于RBF网络的地下水动态模拟与预测

准确地预测地下水位对人民生活、生产都有很重要的意义.针对地下水位是一个与多种因素相关的复杂的非线性问题,利用RBF(Radial Basis Function)神经网络自适应确定、输出与初始权值无关等优良特性,将该网络应用于某地下水动态模拟与预测,演示训练样本集与检测样本集的构建、原始数据的预处理、神经网络的构建训练和检测及结果评价的整个过程.并且通过仿真确定了最佳的径向基函数的分布spread,达到了很好的预测效果.     

大规模孔洞点云的快速重建算法研究 *

针对实际中经常存在的含有孔洞的点云数据 ,在原多层重建算法的基础上提出了一种可以进行点云补洞的快速曲面重建算法。首先对散乱点云数据进行空间自适应八叉剖分 ,然后对点云数据进行由粗到精的多层插值 ,建立隐式曲面方程 ,最后提出了两种加快重建的方法。加速算法可以减少重建时间 ,非常有利于处理大规模点云。实验结果证明 ,本算法对点云孔洞修补效果良好 ,重建速度快 ,效率高。     

基于RBF核的SVM的模型选择及其应用

使用RBF核的SVM(支持向量机)被广泛应用于模式识别中。此类SVM的模型选择取决于两个参数,其一是惩罚因子C,其二是核参数σ2。该文使用了网格搜索和双线性搜索两种方法进行参数选择,并将两者的优点综合,应用于脱机手写体英文字符识别。实验在NIST数据集上进行了验证,对搜索效率和推广识别率进行了比较。实验结果还表明使用最优参数的SVM在识别率上比使用ANN(人工神经元网络)的分类器有较大提高。     

一种混沌混合粒子群优化RBF神经网络算法

为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。