基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP（反向传播算法）神经网 络和RBF（径向基函数）神经网络作了理论上的分析比较，并采用实际数据进行训练，说明了RBF神经网 络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建 立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力，编程建立了Gaussian型RBF神经网络和BP神经网络，并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例，分别用两种神经网络对其进行逼近．仿真结果表明，相对于传统BP神经网络而言，Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快，具有良好的逼近能力，为解决一元非线性函数的逼近问题提供了良好的解决手段．     

基于RBF神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于人工神经网络的连续油管疲劳寿命预测

利用人工神经网络理论预测带有表面缺陷的连续油管的低周疲劳寿命。基于自组织特征映射神经网络(SOFM)与径向基函数神经网络(RBF),考虑连续油管表面缺陷的影响,建立连续油管寿命预测的混合网络模型。该模型利用SOFM神经网络的自组织聚类能力对样本进行分类,并将其分类中心及对应的权值向量传递给RBF神经网络,作为RBF神经网络径向基函数的中心,再利用RBF神经网络非线性逼近能力预测连续油管寿命。结果表明,SOFM和RBF混合神经网络的预测结果在精度与稳定性上优于BP神经网络。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

饱和粘土本构关系的神经网络模型

基于不同应力中径下饱和粘土的三轴试验和反问题理论，提出了用改进BP神经网络和径向基函数（RBF）神经网络这两种方法来建立粘土的本构模型。实例分析表明，两种模型对具体本构关系都能够很好逼近和预测，比较起来，径向基函数神经网络模型的稳定性好，且逼近速度快，而改进BP神经网络稳定性好，但逼近速度过慢。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。