基于广义遗传优化的RBF算法在铁水脱硫中的应用

铁水脱硫过程是一个非常复杂的多元非线性反应过程,在研究了基本遗传算法和RBF算法的基础上,提出了基于广义遗传优化的RBF算法.并说明了基于广义遗传优化的RBF算法在某钢厂铁水脱硫预报模型中的应用.该算法不仅克服了RBF中心个数选择的随机性,而且较好地解决了遗传算法时间复杂度高的缺点.通过对基于广义遗传优化的RBF算法与RBF算法的仿真比较,进一步阐明了该算法在铁水脱硫预报模型中的有效性和精确性.并且现场实验也表明,该算法能够达到终点命中率在85%以上,这说明了该算法的工程实用性.     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法，并将其应用到股票价格预测，同时在预测中引入了技术指标模型。仿真试验表明，相比于传统的RBF神经网络算法，菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

基于免疫进化算法的径向基函数网络

基于免疫进化算法，提出了一种设计径向基函数(RBF)网络的新算法——免疫径向基函数网络(IRBF)训练算法．该算法通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围，提高了算法的收敛速度．计算机仿真表明，采用这种算法训练的RBF网络达到了较好的性能．     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数（RBF）神经网络的烧结终点预测模型。该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值。通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法。     

基于改进免疫算法的两级径向基函数网络学习方法

结合改进的免疫算法和最小二乘法，提出了一种设计径向基函数(RBF)网络的两级学习方法。该方法利用免疫算法确定RBF网络隐层的非线性参数，能够有效克服进化算法的未成熟收敛现象。改进的免疫算法针对RBF网络的特点，采用基于矢量距离的亲和度计算方法，克服了原有基于信息熵计算方法存在的计算复杂、参数难于确定的缺陷。将这种方法设计的RBF网络用于Mackey-Glass混沌序列预测的仿真实验证明了该方法的有效性。     

改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的RBF(Radial Basis Functions，径向基函数)神经网络最近邻聚类学习算法。并将其应用于股市预测问题。模拟结果表明，改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法，可以较大幅度提高RBF神经网络的预测性能。     

基于RBF网络和遗传算法的电阻抗图像重建算法

针对RBF网络的特性，提出一种实数编码的遗传算法，不仅可以同时确定网络参数（连接权、邹节点中心和宽度），而且解决了电阻抗图像重建问题，实验结果表明，用遗传算训练RBF神经网络再构图像较RBF网络使用Poggio学习规则的训练算法有明显改善。     

有限集手写体汉字特是取及分类器设计

介绍了手写体汉字特征提取的基本概念，采用了一种叠合网络加权笔画提取方法用于提取有限集汉字特征。通过对径向基函数网络（RBF网络）的模型分析，提出了一种组合RBF网络分类器应用于有限集手写体汉字识别，并利用结合遗传算法和模拟退火算法的混合优化策略进行RBF分类器的训练。     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导。     

RBF神经网络迭加粗糙集的数据挖掘算法探讨

报告了数据挖掘技术及算法的现状,研究了粗糙集理论和RBF神经网络的经典模型,比较分析了二者优缺点,为提高数据挖掘算法的准确性,提出了RBF神经网络迭加粗糙集的数据挖掘算法思想,实验数据验证了利用RBF神经网络优化数据,再利用粗糙集来约束和提取规则,可取得良好的数据挖掘效果。     

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Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于改进的RBF神经网络的配电网故障诊断模型

结合梯度下降算法和进化算法对RBF神经网络进行改进,建立了基于改进的RBF神经网络的配电网故障诊断模型.配电网故障诊断实例表明,基于改进的RBF神经网络的配网故障诊断模型具有较高的诊断精度.     

基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力

露点压力的准确预测对保障凝析气藏的高效开发至关重要。近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略。基于优化算法和机器学习,提出了一种将遗传算法(GA)与最小二乘支持向量机(LSSVM)相结合的露点压力预测模型(GA-LSSVM模型),并利用误差反向传播(BP)和径向基函数(RBF)人工神经网络建立了相应的露点压力模型,然后进行模型精度对比。在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N_2+CO_2、C_1、C_2～C_6、C_(7+))摩尔分数、C_(7+)相对分子质量、C_(7+)相对密度和气油比作为自变量。采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测。结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差(AARD)仅为3.02%,其中最大绝对相对误差(ARD)为16.64%,最小ARD为0.05%,BP和RBF神经网络模型的AARD分别为6.46%、10.54%。最后,根据Leverage方法,进行了所有数据的异常点检测。研究为凝析气藏露点压力预测提供了一种有效方法。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

一种解决协同过滤数据稀疏性问题的方法

面对信息量过载的问题,为了使用户尽快的从大量的数据中找到自己需要的信息,即运用协同过滤算法解决数据稀疏性问题,本文提出了一种基于径向基函数(RBF)神经网络的解决方法.首先构建RBF神经网络并提出了一种新的确定隐层节点方法.然后利用构建的RBF神经网络预测用户评价矩阵中的空缺值,提高用户相似度计算的准确性.最后通过与经典协同过滤算法的对比实验证明所提算法的实用性,实验结果表明,基于RBF神经网络的协同过滤算法可以有效的解决用户评分数据的稀疏性问题,提高推荐的准确度.     

RBF与BP网络实时性分析

针对后PC时代各类计算机用户所涉及的实时性问题,从算法实现和运行测试的角度,介绍了BP和RBF网络的原理、思想及特点。在实际应用的抉择中,对这两种网络在化学反应催化问题进行了实时性测试,分析和比较了这两种神经网络各自适用的对象。结果表明在工业控制等领域,RBF网络在实时性方面明显优于BP网络[1],因而通常被应用于嵌入式设备中。     

蝴蝶优化算法对大青杨生长速率预测模型的改进

为提高大青杨生长速率的预测精度,提出一种基于改进的蝴蝶优化算法（Improved Butterfly optimization algorithm,IBOA）与径向基函数（Radial basis function,RBF）神经网络结合的预测木材材性方法。通过使用佳点集法对标准蝴蝶算法中的种群进行初始化,将自适应切换频率和Levy飞行相结合进一步优化人工蝴蝶算法。构建出了新的IBOA-RBF神经网络木材材性预测模型,将得到的结果与其他几种算法优化的RBF神经网络预测结果进行对比。结果表明：基于IBOA-RBF神经网络模型预测效果最好,收敛速度从37步降低到了23步,预测结果误差达到了5.72%,预测精度最高。可见,对蝴蝶算法的改进是可行的,且对相关人员定向培养大青杨起到较大的帮助。