基于Kalman-BP协同融合模型的含沙量测量

针对黄河含沙量测量易受环境因素影响而导致测量结果不准确的问题,提出基于卡尔曼和BP神经网络(Kalman-BP)的协同融合模型,将含沙量、水温和流速等传感器输出值经过卡尔曼滤波器进行滤波处理;然后经BP神经网络模型对含沙量信息和环境量信息进行多传感器数据融合;最后建立了含沙量测量的反演模型.为了比较Kalman-BP神经网络的协同处理方法的融合效果,在相同环境下还进行了一元线性回归模型和多元线性回归模型的含沙量数据处理,并进行了误差分析比较.实验结果表明,Kalman-BP神经网络协同融合模型的测量误差较小,提高了含沙量测量系统的精度.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和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RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定,用遗传算法优化RBF神经网络,仿真结果表明,基于遗传算法优化的RBF神经网络PID整定收敛速度快,整定效果优于基于梯度下降法优化的RBF神经网络PID整定。     

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...     

网联车混行条件下交通流量融合方法

未来智能网联车与非网联车混行将带来更多的多源交通数据；为了提高数据的可靠性，结合传统交通数据获取方式提出了一种基于粒子群优化径向基神经网络的多源交通数据融合方法。首先选取不同来源的数据构建多源数据集并设置对照数据，利用Elbow Method方法和K-Means算法对多源数据集进行聚类，再以聚类中心坐标为参考构建相应径向基神经网络，最后在神经网络训练过程中引入粒子群算法，以融合结果与对照数据的差值作为粒子群算法迭代的目标函数，帮助求解神经网络中的参数。使用MATLAB实现神经网络并选取一组多源交通流量进行测试，同时再把这组交通流量数据用卡尔曼滤波算法融合，将两种方法的融合结果进行对比。结果表明：相比于传统卡尔曼滤波，使用粒子群优化的径向基神经网络对混行条件下的多源交通流量进行融合时数据误差均降低60%以上。     

基于RBF神经网络与遗传算法的Agent初始位置优化

以陆地作战训练模型为背景，研究了多Agent系统中Agent初始属性的优化问题，提出了一种径向基函数(RBF：Radial Basis Function)神经网络与遗传算法(GA：Genetic Alorithm)相结合的、对作战训练模型中Agent的初始位置进行优化的方法。与已有的优化方法相比，该方法不仅优化效果得到明显的提高，而且执行效率可以提高20余倍，更适于处理对执行效率要求较高的优化问题。     

基于人工种经网络的乳腺癌诊断模型

针对具体的乳腺癌诊断分类问题，研究了多层径向基函数(RBP)网络的分类机理和初始化优化参数，采用动量法和学习率自适应调整两种策略方法，建立了基于BP神经网络和径向基(RBF)神经网络的乳腺癌两种诊断模型。讨论了径向基神经网络的分类机理，同时对数据作了预处理。径向基(RBF)神经网络具有较强的非线性并行处理能力和容错能力。仿真结果表明，所设计的RBF网络模型性能稳定，训练时间短，分类效果较好。     

应用于质子交换膜燃料电池的数值优化方法

将具有全局搜索能力的遗传算法应用于质子交换膜燃料电池(PEMFC)扩散电极的性能优化,通过对PEMFC单体建立二维稳态数值计算模型,在ISIGHT-FD软件平台上利用径向基函数(RBF)神经网络拟和模型,在相应的设计空间内生成RBF拟和曲面,调用多岛遗传算法(MIGA)对RBF拟和进行遗传搜索,得到了阴极扩散层厚度、孔隙率和渗透率的最优值,通过优化前后的氧气浓度和输出性能比较,表明这些参数可改善气体扩散层的传质性能.     

基于遗传RBF神经网络的高速电主轴热误差建模

针对高速电主轴热误差建模,对HMC80加工中心电主轴单元进行了热误差测量实验,综合利用模糊聚类法和灰色关联度分析法对测温点进行优化,使测温点数量从8个减少到3个,该方法同时考虑了温度变量之间的复共线性和测温点温度与热误差之间的相关性.以优化后的温度变量为输入,热误差为输出,建立基于遗传算法径向基函数(RBF)神经网络预测模型,并与其他方法进行比较.分析结果表明:相比于传统RBF神经网络法和多元线性回归法,遗传RBF神经网络建立的热误差预测模型精度更高、鲁棒性更强.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于改进径向基函数神经网络的交通出行选择策略分析

利用逻辑回归方法分析影响交通出行选择的各种因素;建立基于径向基函数神经网络的交通出行选择预测模型,同时建立基于线性回归-径向基函数神经网络模型和基于逻辑回归-径向基函数神经网络模型预测人们出行方式选择高铁还是火车.结果表明,与单一径向基函数神经网络算法相比,回归-径向基函数神经网络组合算法预测准确率更高,而逻辑回归-径向基函数神经网络可有效减少非重要因素影响,并能提升预测准确率,取得较佳预测效果.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回归集成,数据反归一化处理,最终得到了经过回归集成的多核RBF预测模型.结果表明,这种多核神经网络集成的地震要素预测方法所建立的多元回归预测集成模型,能够使实际值与预测值的拟合达到最佳,从而获得较高精度的地震要素预测值.     

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.     

基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．     

基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.     

云模型优化径向基函数神经网络算法研究

径向基函数(RBF)神经网络广泛用于各类医学预测模型中,针对RBF神经网络隐含层高斯径向基函数的参数确定困难,影响癌症预后模型的因素具有多样性和模糊性等问题。利用云模型优化RBF神经网络算法,通过高维云变换确定RBF隐含层神经元,优化RBF神经网络结构。用来自美国国家癌症研究所监测、流行病学和最终结果(SEER)数据库的4 771例食管鳞状细胞癌患者数据建模仿真与传统的仿真对比,证明该模型预测生存期的C-index为0.705,远高于肿瘤等级、列线图和RBF神经网络(0.598、0.627和0.632),能更好更准确地对食管鳞状细胞癌患者进行预后预测。     

基于近似模型和遗传算法的等离子喷焊工艺参数多目标优化

为了对等离子喷焊工艺参数进行优化,提高喷焊层的质量,通过径向基函数(radical basis function,RBF)神经网络近似模型和非支配排序遗传算法(non dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)遗传算法相结合的方法,对等离子喷焊试验数据,基于MATLAB平台进行训练,以此来构建显微硬度、磨损量和稀释率的近似模型,利用NSGA-Ⅱ遗传算法对模型进行下一步的多目标优化,最终得到帕累托最优解集,研究了工艺参数间的交互作用.结果表明:利用RBF-NSGA-Ⅱ遗传算法比响应面法能更显著地提高喷焊层质量.可见对等离子喷焊工艺的优化具有一定的参考价值.