基于分级偏最小二乘回归的径向基函数神经网络

为提高径向基函数神经网络的泛化性能,提出一种利用分级偏最小二乘回归方法构造径向基函数神经网络的方法,逐步增加网络中的隐节点数直至达到合适的网络规模,消除了训练数据中存在的多重共线性对网络泛化能力的不利影响.所得径向基函数神经网络的泛化能力比偏最小二乘回归构造的径向基函数神经网络提高了约30%.船舶航向跟踪预测控制仿真验证了该算法的可行性和有效性.     

径向基函数神经网络在地下水位预报中的应用

本文在介绍径向基函数神经网络原理的基础上,研究径向基函数神经网络模型在地下水位预报中的应用,以吉林西部地区为例,应用其1990-2012年的月平均地下水位数据,建立径向基函数神经网络模型。为进一步证明预报结果的准确性,把预报结果与自回归模型的预报结果进行比较。结果表明:径向基函数神经网络模型能很好地进行地下水位预报,同自回归模型相比,径向基函数神经网络模型预报的精度更高,预报结果更具有准确性。     

基于径向基函数神经网络和NSGA-Ⅱ的气保焊工艺多目标优化

以焊缝高宽比和深宽比作为优化目标,结合径向基函数神经网络和带精英策略的非支配排序的多目标遗传算法NSGA-Ⅱ,实现了多目标优化.建立了以焊接电压、送丝速度、焊接速度作为自变量,预测焊缝熔宽、余高和熔深的5种模型,即误差反向传播神经网络、遗传算法优化的误差反向传播神经网络、克里金插值法、径向基函数神经网络和二阶多项式回归模型.对比分析表明,径向基函数神经网络具有较高的预测精度和稳定性,最为合适.最后,利用NSGA-Ⅱ算法实现了以盖面焊和填充焊为应用场景的工艺参数多目标优化,试验证明了该优化方法的有效性.     

大坝变形蚁群聚类径向基函数神经网络安全监控预测模型

本文研究了蚁群聚类法和径向基函数神经网络的基本原理,结合大坝变形安全监控的要求,探讨了大坝变形监测数据聚类处理方法,构建了径向基神经网络隐层基函数,由此表征了大坝变形规律的影响因素与变形之间的非线性映射关系.通过上述研究,建立了大坝变形蚁群聚类径向基函数神经网络(ACC-RBF)安全监控模型.实例分析表明,所提出的模型比传统的径向基神经网络模型预测精度更高.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用

 为实现民机液压系统的健康预测,将贝叶斯框架应用于LS-SVM参数的选优.选用径向基核函数,选择了预测回归模型的算法和区间预测公式.用训练样本建立了液压系统的健康预测模型,用测试样本验证了公式的有效性;对液压数据参数进行预测,将预测值带入健康评估模型中得到预测结果.结果表明,基于贝叶斯框架下的LS-SVM回归模型可以很好地用于民机液压系统的健康预测.     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

河网洪水预报径向基函数人工神经网络方法

讨论了神经网络在河网水流数值模拟中的运用现状,并基于河网水流数值计算模拟的特点,将径向基函数神经网络方法应用于复杂河网水流．模型采用混合学习算法,选用高斯核函数作为隐藏层基函数,充分发挥其表示形武筒单、径向对称、光滑性好和解析性好的优势,并采用k-均值聚类算法来确定径向基函数的参数,运用最小二乘法求解权值．建立了珠江三角洲河网的洪水预报模型,计算表明,预测结果与实测数据吻合较好,该模型具有运算速度快、简便易用且预报精度较高等特点．     

车内声品质主客观评价模型对比分析

为了研究轿车理想的车内声品质主客观评价模型,采集某轿车在时速为60 km·h~(-1)时,车内播放不同音乐时的驾驶员双耳噪声样本.对声样本进行剪辑、等响及分频段等预处理,基于成对比较法进行车内声品质主观评价试验、客观参量计算并建立了多元线性回归、BP神经网络和径向基函数(RBF)3种评价模型.评价模型的预测效果表明:多元线性回归评价模型各个频段的误差较大,稳定性较差,车内声品质的评价为非线性过程;BP神经网络预测模型整体频段的误差最小,频率为160~1 280 Hz时的误差较大,相比多元线性回归模型误差进一步缩小,但距理想的预测效果还有一定的距离;基于径向基函数评价模型误差基本能控制在20%以内,且稳定性较高,能够较好地预测此试验工况下的声品质.     

基于组合模型的电主轴热误差预测

针对数控机床电主轴复杂的热变形机理,建立了基于径向基函数神经网络的组合预测模型预测其变化趋势.根据测量的电主轴热变形数据,分别采用自回归分析模型、灰色系统模型和智能组合预测模型对主轴热误差进行了预测.结果表明:电主轴热误差组合预测模型的预测准确性优于各单项模型,相对预测精度高出较高单项预测模型3％.     

基于改进支持向量回归的岩溶天窗水位预测模型

利用主成分分析对影响变量进行特征提取,选择通用性较强的径向基核函数,应用遗传算法对影响支持向量回归模型的2个重要参数惩罚因子C和核函数参数γ进行优化,建立了基于遗传算法优化的支持向量回归模型,并以提取特征作为模型输入应用于后寨地下河流域平山天窗水位预测.预测结果表明,与传统偏最小二乘回归模型相比,优化后的模型具有更高的...     

基于径向基函数神经网络的热轧产品性能预测

针对热连轧带钢生产过程中钢材内部一系列复杂的相变与物理变化以及涉及到的海量数据,可利用数据挖掘基本方法建立模型,提取规则,实现热连轧带钢生产的性能预测与评价功能。本文使用径向基函数神经网络建立模型,实现热轧产品性能预测。径向基函数神经网络在逼近能力、学习速度等方面都优于传统BP神经网络,本文将根据二者网络结构说明径向基函数神经网络的优越性。     

基于人工免疫的RBF神经网络在钢筋性能预报中的应用

提出了一种基于免疫识别原理的径向基函数神经网络学习算法.该算法利用人工免疫系统的识别、记忆、学习等原理,将输入数据作为抗原,抗体为抗原的压缩映射作为径向基函数神经网络模型的隐层中心,输出采用最小二乘法确定权值.通过预报热轧带肋钢筋力学性能的仿真实验结果表明,与K-均值法选择中心点比较,该算法计算量较小,精度高.     

基于正交最小二乘法的径向基神经网络模型

为提高神经网络模型的预测精度以及提高模型的计算效率,减少获得高精度模型的计算量,构建了基于正交最小二乘法的高斯径向基神经网络模型结构,给出了最小二乘法高斯径向基神经网络的递归模型.依据样本点序列信息,给出了高斯径向基函数中心参数的确定方法,并采用正交最小二乘法回归迭代,从而获得隐层同输出层间的连接权参数值.采用混沌Lorenz时间序列预测问题对该设计的网络模型进行验证,并同其他文献对该序列预测的精度以及迭代所需的时间作对比.结果表明,采用该设计方法获得的网络模型具有时间预测精度高及计算效率高等优点.     

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。     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用

高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.     

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。