基于RBF网络的模糊if-then规则快速提取

提出了一种基于径向基函数神经网络(RBF网络)的模糊规则提取的新方法。该方法快速、有效且提取的规则清晰。得到的模糊神经网络可用于非线性系统的逼近。     

RBF网络及其在数值计算中的应用

由经典的函数逼近理论衍生的很多数值算法有共同的缺点：计算量大、适应性差，对模型和数据要求高，在实际应用中受到限制。神经网络可以被用来计算复杂输入与输出结果之间的关系，具有很强的函数逼近功能。文章阐述如何利用RBFNN进行函数逼近、求解非线性方程组以及散乱数据插值，结合MATLAB神经网络工具箱给出了数值实例，并与BP网络等方法进行了比较。应用结果表明RBFNN是数值计算的一个有力工具，与传统方法比较具有编程简单、实用的特点。     

基于递阶粒子群方法的RBF网络自动设计

针对径向基函数网络（RBFN）的结构和参数难以同时优化及粒子群不同结构的粒子飞跃困难问题,提出一种维数自适应变化递阶粒子群方法,同时完成对网络的结构和参数自动优化设计。此方法中,粒子群编码采用二进制和十进制相结合的混合形式,二进制表示网络隐层神经元的数量,十进制编码表示网络参数,每个粒子在不同代的飞翔维数由当前代最好粒子的适应度和粒子到目前为止的最好适应度及粒子群处于两个最好位置时的有效维数确定。适应度函数引导粒子向小规模和小误差方向运动。通过对函数建模和混沌时间序列的预测实验,验证了方法的有效性。

Abstract：

In order to solve difficulties optimizing the structure and the parameters of RBFN simultaneously and flying among particles with different dimension,a hierarchical particle swarm optimization （PSO） with adaptive dimension was proposed to design structure and parameters of radical basis function neural networks （RBFN） automatically.In the method,the number of hidden layer for RBFN is coded by binary,and parameters are coded by decimal,the dimensions of the flying particle is determined by the best position of current generation and the best position that the particle derived so far and effective dimensions of the two best positions.Furthermore,the swarm will incline to small scales and small error by choosing a special fitness function which takes account factors of structure and parameters of RBFN.Simulation results with function approximation and prediction of chaotic time sequence demonstrate that the proposed method is efficient.     

基于RBF辨识的伺服系统CMAC控制

提出一种基于RBF辨识的伺服系统CMAC复合控制器,并进行了仿真研究。采用RBF神经网络辨识被控对象模型,根据辨识结果调节单神经元控制器的参数,由单神经元PID控制器与小脑模型前馈控制器组成复合控制结构,通过搜索使控制器尽快地进入合适的参数空间,实现了控制的快速性要求。仿真结果表明,该控制方法能够缩短系统暂态响应时间,提高系统的动态跟踪精度,增加系统鲁棒稳定性。     

一种基于新型RBF网络的侦察测向系统

针对雷达侦察系统的到达角(AOA)测量问题,提出了一种新型的基于两级径向基函数(RBF)网络的侦察测向系统。根据RBF网络的特点,本文采用了一种基于免疫算法的混合方法确定RBF网络测向系统的参数。该方法利用免疫算法的全局搜索能力优化RBF网络隐层的结构和参数,并采用最小二乘算法计算RBF网络线性输出层的权值。计算机仿真表明,基于这种RBF网络的测向系统达到了很高的精度。     

复数RBF神经网络自适应均衡算法研究

在研究基于实数径向基函数 (RBF)神经网络均衡器结构的基础上 ,提出了几种新的适用于QAM信号的复数RBF神经网络自适应均衡器结构 ,并给出了相应的自适应算法。新的均衡器是充分利用了所得到的信号信息及RBF的特性而分别构成的。理论分析和计算机仿真结果都表明 ,基于新的均衡器的算法比基于实数RBF神经网络的均衡算法具有更好的收敛性能     

基于RBF网络和ARX模型的液压系统故障诊断方法

提出了基于径向基函数(Radial Basis Function,RBF)网络和有源自回归(Auto-Regressive with Extra Inputs,ARX)模型的液压系统的故障诊断方法.作为一种性能优越的网络分类器,RBF网络比传统的反向传播(Back Propagation,BP)网络表现出更好的分类效果,非常适合于故障特征识别.故障诊断方法首先针对目标故障状态建立 ARX模型,提取 ARX 模型的自回归系数作为故障特征向量.然后将故障特征向量作为RBF网络训练样本,建立RBF网络故障分类器,进一步根据RBF网络的输出结果来判断故障的类型.通过建立挖掘机铲斗部分液压系统仿真模型,验证了于基于RBF网络和 ARX 模型的故障诊断方法的有效性.     

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。     

基于径向基函数网络人脸识别的研究

用人脸信息来识别和辨认一个人类个体,是计算机视觉和模式识别领域中的一个研究热点。本文提出了一种基于径向基函数网络(RBFN)识别人脸的方法,使用主分量分析(PCA)技术降低样本维数,并用生成图像(SI)技术改变人脸的姿态,以增加学习样本数。用标准人脸库ORL进行实验,表明人脸识别效果有大幅度的提高。     

基于RBF神经网络的井眼方位角误差建模及补偿

对于陀螺钻井测斜技术而言,由于惯性器件本身误差及井下恶劣条件带来的干扰均具有复杂性,误差补偿是影响测量精度的关键因素。在阐述陀螺测斜原理、分析测斜系统可能产生的各种误差的基础上,进行了测斜仪转台实验,并采用神经网络中的径向基函数理论建立了井眼方位角误差模型,将其建模性能指标与双线形插值建模指标进行综合对比,结果表明RBF网络建模时间短、拟合性能好、预测能力强、补偿后方位角误差得到有效抑制、补偿精度高,各项指标均优于双线形插值方法。     

基于分布式并行计算的神经网络算法

为了提高计算性能（速度与可扩展性）,提出了一种新颖的神经网络的并行计算体系结构和计算网络权函数的训练算法。权函数是广义Chebyshev多项式和线性函数的复合函数,只需要通过代数计算就可以求得,不需要梯度下降计算或者矩阵计算。各个权函数能够独立求解,可以通过并行系统采用并行算法计算。算法可以求得全局最优点,得到反映网络误差的一个有用的表达式。此外,算法在不超过权函数总数的范围内,还具有维持加速比与并行系统中提供的处理器的数量成线性增长的能力。仿真实验结果表明,本文算法的计算性能远远优于传统算法。     

基于RBF 神经网络的调制识别

针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。仿真实验的结果证明了此方法的有效性和可行性。     

基于MPSO-BP的RBF网络自构建学习算法

采用PSO混合编码,提出了一种基于混合MPSO-BP的RBF自构建学习算法。该算法中,每个粒子由整数与实数两部分构成,分别对RBF的基函数个数及相关参数(中心、宽度和输出层权值)进行编码。同时设计了一个特殊的适应度函数,在保证精度的前提下,使网络的结构相对简单,以增强网络的自适应与泛化能力,减少主观因素设计对网络性能的影响。仿真实验表明,相对于RBF其他学习算法,所提算法隐节点少、精度高、泛化能力强。     

Fault tolerant control based on stochastic distribution via RBF neural networks

A new fault tolerant control (FTC) via a controller reconfiguration approach for general stochastic nonlinear systems is studied. Different from the formulation of classical FTC methods, it is supposed that the measured information for the FTC is the probability density functions (PDFs) of the system output rather than its measured value. A radial basis functions (RBFs) neural network technique is proposed so that the output PDFs can be formulated in terms of the dynamic weighings of the RBFs neural network. As a result, the nonlinear FTC problem subject to dynamic relation between the input and the output PDFs can be transformed into a nonlinear FTC problem subject to dynamic relation between the control input and the weights of the RBFs neural network approximation to the output PDFs. The FTC design consists of two steps. The first step is fault detection and diagnosis (FDD), which can produce an alarm when there is a fault in the system and also locate which component has a fault. The second step is to adapt the controller to the faulty case so that the system is able to achieve its target. A linear matrix inequality (LMI) based feasible FTC method is applied such that the fault can be detected and diagnosed. An illustrated example is included to demonstrate the efficiency of the proposed algorithm, and satisfactory results have been obtained.     

基于RBF神经网络的蜂窝无线定位算法

为了解决最小二乘法需要测量数据的先验信息来构造协方差矩阵的问题,提出了基于RBF神经网络的蜂窝无线定位算法.它融合了移动基站提供的AOA,TOA和TDOA测量值来实现移动台的定位,利用神经网络较快的学习特性和逼近任意非线性映射的能力,使其适用于复杂的多径环境.对基于RBF神经网络的定位系统性能进行了仿真,结果表明,基于REF网络的蜂窝无线定位算法消除了定位模糊和基站非理想分布对定位精度的影响,在小区半径小于2 km的情况下,系统的定位精度在125 m时准确率可达67%,在300 m时准确率可达95%.     

基于RBF神经网络的磁屏蔽性能计算方法

针对磁屏蔽性能理论计算存在的不足,提出了基于径向基函数(radial basis function, RBF)神经网络的磁屏蔽性能理论计算方法。首先,采用控制变量法对影响磁屏蔽性能的独立参数进行分离并建模;然后,利用RBF神经网络对非独立参数进行建模;最后,将训练好的RBF神经网络模块与分离出来的独立参数模型进行结合,得到磁屏蔽装置的磁屏蔽性能计算模型。通过对矩形磁屏蔽装置的磁屏蔽性能进行仿真计算,结果表明,提出的基于RBF神经网络的磁屏蔽性能理论计算方法与有限元数值法的最大相对误差为10.3%,95%的拟合结果与数值计算结果的相对误差在8%以内,与传统解析法相比,该方法更加接近数值法的求解精度,更适用于工程估算。     

基于APDE-RBF神经网络的网络安全态势预测方法

为了提高径向基函数(radical basis function, RBF)神经网络对网络安全态势的预测精度,提出了一种基于吸引力传播(affinity propagation, AP)聚类和差分进化(differential evolution, DE)优化RBF神经网络的算法。首先,利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;其次,利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索。通过仿真实验表明,此算法在泛化能力增强的同时,对网络安全态势也达到了较高的预测精度。     

基于神经网络的辐射源识别系统设计

针对当前辐射源识别系统中存在的问题,提出了一种结合神经网络技术的辐射源识别新方法。该方法可以快速高效的识别各类辐射源,既有基于统计分析的辐射源识别系统的快速性,又有基于专家系统的辐射源识别系统的自适应性和准确性。实际仿真结果表明该方法是有效的,尤其对于参数不全、参数畸变的雷达辐射源,其识别率和识别置信度都有较大提高。在本文方法的基础上,设计出一种结构简单、快速有效的辐射源识别系统,具有一定的推广价值。     

基于衰减因子的双通道神经网络图像分类算法

为解决深度卷积神经网络(convolutional neural networks, CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual channel neural networks, DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种“双池化层”对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。     

基于RBF神经网络与Markov组合的飞行风险预测研究

为了更加准确地对飞机飞行安全性做出评估,在径向基(radial basis function,RBF)神经网络的基础上,通过引入马尔可夫链的方式进行误差修正,建立了一种拟合程度高且无需反复调整权值的新型评估模型.并以国内某航空公司A320机型近20年来发生的飞行机械故障为基础数据对模型进行训练、拟合、修正.将修正结果与单一RBF神经网络评估方法相比较,分析二者差异后得出误差降低的结论.为管控飞机飞行风险提供了方法拓展.