基于量子算法的MIMO-OFDM信号检测研究

信号的最优检测在常规条件下是-NP难解问题,针对RBF(径向基函数)神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,文中提出了新型的量子智能算法,并应用于MIMO-OFDM系统信号检测中:算法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,在遗传算法优化神经网络时采用量子计算操作.由于QGA(量子遗...     

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基（Radial Basis Function简称RBF）网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法．实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善．     

用进化规划思想优化径向基函数神经网络结构的均衡器

针对训练径向基函数(RBF)神经网络均衡器的随机梯度算法(SG)中,神经网络的结构是指定的并且所用训练样本较长的问题,引入进化规划思想,用进化规划方法确定径向基函数神经网络的结构,用基于最小均方(LMS)误差准则的自适应算法调整神经元到输出端的连接权重.蒙特卡洛仿真表明,用这种方法确定的均衡器可以达到与SG算法相同的性能,而所用训练样本很少,网络结构不需要事先指定.     

一种基于覆盖超球算法的径向基概率神经网络结构优化

介绍了径向基概率神经网络(RBPNN)的一种启发式结构优化算法.该算法首先提出一种移动平均中心超球覆盖算法,并用于初选径向基概率神经网络的隐中心矢量,然后使用遗传算法进一步优选隐中心矢量,同时优化核函数控制参数.实验结果表明,该算法在实际应用中能够加快优化速度,降低计算复杂度,有效地简化RBPNN模型的结构.     

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。     

基于菌群优化算法优化生产车间传感网能耗

为了降低制造车间传感网能耗,采用基于菌群优化的径向基函数神经网络算法对传感网数据进行融合,去除冗余感知数据并降低数据维度;首先分析传感网节点的分簇及数据传输方式,然后建立基于径向基函数神经网络的生产车间传感网数据融合模型,引入菌群算法,利用菌群算法的趋化、复制和迁徙操作对神经网络的权重进行优化,获得稳定的径向基函数神经网络结构。结果表明,相比常用传感网能耗优化算法,采用菌群优化的径向基函数神经网络优化效率高,在网络能量一定的情况下,能有效减缓节点的"脱网"速度,并增加汇聚节点的接收数据量,通过改变菌群趋化步长的策略获得更优的优化性能。     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

径向基函数网络在形状识别中的应用

径向基函数神经网络是一种应用相当广泛的神经网络。文章对径向基函数网络的基本原理、网络结构和学习算法进行了介绍,根据径向基函数网络的特点将其应用到形状识别领域,并通过MATLAB平台编程实现其算法。实验结果证明网络初始中心和样本数目的选择对识别结果影响较大;在初始中心选择相同的情况下,实验样本数目越多,识别结果越好;在达到一定数目后,识别正确率趋于稳定。     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。