基于RBF网络模型的SAR溢油图像识别方法

利用径向基函数(radial basis function,RBF)神经网络模型区分油膜和类油膜,旨在为溢油事故决策支持提供重要前提.首先,对合成孔径雷达(SAR)图像进行特征提取,获得有效的特征向量,并将特征向量作为输入层参数,建立激励函数;其次,利用SAR图像样本训练RBF神经网络模型,将输出值与实际值之间的误差作为约束条件调整权重因子、径向基中心和宽度,根据输出层的线性激活函数值判断溢油情况.实验结果表明,RBF模型在识别油膜与类油膜图像方面准确率超过90%.通过比较RBF和BP神经网络在SAR溢油图像分类上的准确率,也证明了RBF的有效性.     

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。     

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PSO-RBF的边坡安全系数预测

传统的径向基函数(RBF)神经网络在边坡稳定性预测中已经得到了广泛的应用,但由于其在预测中易陷入局部最优且参数选取不当会对收敛性产生影响.故引入粒子群算法(PSO)对RBF神经网络进行优化,利用其全局搜索能力对RBF神经网络的隐含层基函数中心值、宽度以及隐含层至输出层的连接权值进行参数寻优,建立了基于PSO-RBF的边坡安全系数预测模型.以114组边坡数据为训练样本,8组边坡数据为测试样本,结果显示基于PSO-RBF网络预测结果的最大误差为7.36%、最小为0.18%、平均误差为3.77%,而基于单纯RBF网络的预测结果的相应误差分析别为11.04%、1.34%、6.19%.可以看出,前者的预测结果明显优于后者,表明经粒子群算法优化后的RBF在预测精度上有了明显的提高.     

基于RBF神经网络的图像特征处理

径向基函数网络(RBFN)是当前人工神经网络技术研究的热点之一,并以其优良的性能广泛应用于各个领域。针对BP神经网络容易陷入局部最优的缺陷,文章提出用RBF神经网络进行图像特征提取,并给出了RBF神经网络构建过程及选Gauss函数为径向基函数的优势,最后设计并完成实验。模拟实验结果表明了训练好的RBF网络对边缘特征提取的有效性,也证实了选择良好的高斯函数宽度,可以得到较优的网络。     

基于径向基神经网络的油藏反演方法

文章提出一种基于径向基(radial basis function, RBF)神经网络的油藏反演方法。该方法利用抽样生成的井底压力数据构造RBF神经网络模型，由RBF神经网络预测值与实际观测值的偏差定义目标函数，再利用粒子群算法(particle swarm optimization, PSO)对其进行优化，最终得到不确定参数的最优解和反演参数。与多项式拟合方法相比，RBF神经网络方法具有更好的拟合结果和更高的精度，甚至在多项式拟合方法失效时，该方法也能得到很好的模拟结果。油田实际算例表明，该方法具有良好的拟合效果，能大幅提高反演效率，具有很好的应用前景。     

一种基于RBF神经网络的无线传感器网络定位模型

在无线传感器网络覆盖区域内的不同位置采集信号强度值,利用径向基函数(RBF)神经网络建立信号强度到节点坐标之间的映射模型,将采集到的信号强度值作为神经网络的输入矢量进行训练,利用训练好的神经网络实现未知节点的定位。实验结果表明,该模型具有较好的定位精度,其平均定位误差低于10%。     

基于工程经验和RBF神经网络的水轮机综合特性曲线拓展和重构

水轮机特性曲线是描述水轮机运行过程中运行参数变化及相互关系的重要数据图.采用径向基函数(Radial Basis function,RBF)神经网络拓展和拟合水轮机特性曲线的方法可避免用具体的数学表达式表示该特性曲线高度非线性的函数关系,而是通过对离散样本点的学习和训练来获得水轮机全特性曲线.在使用RBF方法进行拟合数据和重构曲面之前,本文利用边界条件和工程经验将已知工况区域的特性曲线向小开度区域和低效率区域进行了有效拓展,大幅增加了RBF神经网络的学习样本数量,从而进一步提高了RBF方法拟合水轮机全特性曲线的精度和可靠度.以HL180水轮机为例,对拓展和拟合水轮机综合特性曲线的具体过程进行了详细介绍.计算结果表明,同仅采用RBF神经网络方法相比,采用本文方法得到的水轮机全特性曲线具有更高的精度和可靠度.     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

多峰布里渊散射谱的拟合算法研究

针对利用光纤多峰布里渊散射谱解决光纤传感技术中温度和应变同时检测不能获得精确的拟合曲线的问题,将基于K-means聚类方法的RBF神经网络应用到光纤多峰布里渊散射谱的数据拟合中.首先论述了径向基(RBF)神经网络和基于K-means聚类方法的理论知识;其次利用RBF神经网络算法进行数据拟合,得出不同扩散速度影响数据的拟合精度,但是拟合曲线的光滑度和精度不能同时得到保证;最后,采用基于K-means聚类方法的RBF神经网络进行数据拟合,获得了较为准确的拟合曲线,均方误差较小.     

一种基于NSCT变换的RBF神经网络自适应阈值去噪方法

提出一种基于非下采样Contourlet变换的径向基神经网络(RBF)自适应阈值去噪方法.在NSCT域通过RBF神经网络使目标误差函数GCV(T)的最小化,从而确定最优阈值,再通过软阈值函数去噪.利用NSCT的平移不变性来抑制伪Gibbs失真,从而能完整地保留图像的纹理和边缘等信息.实验结果表明,该方法可以有效去除高斯噪声,提高图像的峰值信噪比.     

基于正则化RBF的轨道不平顺在线监测系统研究

为了得到列车行进过程中准确的轨道不平顺状态,提出了一种基于以太网的轨道平顺度车载实时动态监测系统,分析了系统的结构和检测原理,通过惯性基准法利用激光位移传感器和振动加速度传感器对轨道不平顺度数据进行采集,基于两传感器数据融合时间不同步、数据率不一致的特点,提出了利用正则化RBF （径向基函数）网络拟合的算法,该方法可以将不同传感器测得的不同采样周期的数据对准到同一时间点上,得到轨道不平顺结果。将拟合值和真实值进行比较,正则化RBF拟合和常规方法拟合的平均相对误差分别为1.9％和3.7％,均方误差分别为0.41和2.35,相比之下,正则化RBF网络拟合效果更好。结果表明该系统能够更真实的反应轨道的动态不平顺。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于径向基函数网络的煤层破裂压力预测方法

为了获得准确的破裂压力预测值,本文引入径向基函数(RBF)神经网络模型对煤层破裂压力进行解释。通过对收集的200余层资料进行了拟合和预测破裂压力,优选径向基函数网络模型,对其中150层资料进行拟合,得到拟合精度达到92.01%,同时利用训练的径向基函数网络模型,对剩余井层中的20层资料进行了预测,预测精度达到89.85%,解决了传统方法预测效果误差大的问题,该结果利用径向基函数网络模型预测煤层气井的破裂压力准确度高,可以推广应用。     

面向双关节机械臂的参数可调RBF神经网络控制

为解决双关节机械臂轨迹控制中误差逼近过程初始误差大、达到稳态所需时间较长的问题,提出了一种面向双关节机械臂的新型参数可调径向基(RBF)神经网络控制方法。首先,利用梯度下降法对RBF神经网络中心参数进行迭代修正,该参数可以根据机械臂的实时误差进行调整,实现中心参数的在线优化;进一步,提出了一种输入边界可以调整的模糊补偿器,该补偿器通过测量机械臂轨迹误差及误差的导数,经过模糊推理后将补偿器输出传递给转矩控制模块,从而使机械臂的输出转矩更接近理想值;最后,采用遗传算法对RBF神经网络函数宽度值进行了寻优。仿真结果表明,采用参数可调的RBF神经网络控制方法对机械臂控制力矩进行调整后,机械臂控制过程中的精确度提高了59%,并且将机械臂轨迹跟踪的稳定时间缩短了69%。     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

α-生育酚在超临界CO_2中溶解度神经网络模型的建立

生育酚有很高的生理活性 ,油脂生产中得到的脱臭馏出物含有丰富的天然生育酚 作为萃取生育酚的基础 ,对甲酯化油脂脱臭馏出物中α -生育酚在超临界CO2 中的溶解度进行了测试 ,并用Chrastil分子缔合模型和RBF神经网络模型对溶解度数据进行了拟合 Chrastil分子缔合模型的相对误差为 2 5.36% 对于RBF神经网络模型 ,经过网络学习和训练 ,训练集平均误差仅为 0 .2 3% ,测试集误差为 6.4 8% ,效果比较理想     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于RBF神经网络的复杂场景人群目标的识别

大型公共建筑内人群数目及分布的在线监测是有效控制和疏散客流、保障人员安全的重要依据之一.利用公共建筑内现有的闭路电视监视系统,通过计算机视觉技术实现人群数目的自动识别是目前国外普遍采用的一种方式.文中提出了一种基于RBF神经网络的复杂场景人群目标的识别算法,利用包含行人数目信息的前景图像的投影曲线等特征数据,通过训练好的RBF神经网络直接得到该前景图像中包含的人群数目.与其他算法相比,该算法具有较高的识别准确率,在一定误差范围内可以达到较好的效果.     

RBF神经网络与多层感知器区分与替代问题的研究

本文着重从模型、工作特性以及应用上对比了RBF神经网络与多层感知器网络的不同之处,又用模式分类具体实例指出,在一定条件下RBF神经网络与多层感知器网络可以相互替代。多层感知器网络通常用来解决非线性问题,而RBF神经网络则主要用于函数逼近,能够逼近任意非线性函数。因此,在非线性问题上,一个可以被另一个代替。