基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线连续函数有较好的逼近效果,对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较,并采用实际数据进行训练,说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络.最后,以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型,并进行了模型检验,证明了基于RBF网络的建模方法具有较高的精度.     

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.     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP（反向传播算法）神经网 络和RBF（径向基函数）神经网络作了理论上的分析比较，并采用实际数据进行训练，说明了RBF神经网 络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建 立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

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.     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于遗传算法优化的RBF网络在自校正控制中的应用研究

针对RBF神经网络参数难以确定的情况,采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化,用递推最小二乘法训练隐层和输出层之间的权值。给出一种基于优化的RBF神经网络的自校正控制算法,利用神经网络的非线性函数映射能力,使其充当未知系统函数逼近器。仿真结果表明了所给算法的有效性。     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良．     

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．     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于改进免疫算法的两级径向基函数网络学习方法

结合改进的免疫算法和最小二乘法，提出了一种设计径向基函数(RBF)网络的两级学习方法。该方法利用免疫算法确定RBF网络隐层的非线性参数，能够有效克服进化算法的未成熟收敛现象。改进的免疫算法针对RBF网络的特点，采用基于矢量距离的亲和度计算方法，克服了原有基于信息熵计算方法存在的计算复杂、参数难于确定的缺陷。将这种方法设计的RBF网络用于Mackey-Glass混沌序列预测的仿真实验证明了该方法的有效性。     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.     

人工免疫的神经网络预报方法及其应用

针对RBF(radial basis function)神经网络在预测铁水含硅量中出现的预测精度低,收敛速度慢的问题,提出了一种基于免疫识别原理的径向基函数神经网络的学习算法.该算法利用人工免疫原理确定高斯基函数的中心和宽度参数,同时将所识别的数据作为抗原,抗体作为抗原的压缩映射并作为神经网络的隐层中心,利用递推最小二乘法(recursion least square, RLS)确定连接权值,提高了RBF神经网络的收敛速度和精度.应用该模型于某大型钢铁厂高炉铁水硅含量预报的实例中, 实验结果表明, 该模型具有更高的预测精度和更短的训练时间.     

多维离散傅立叶变换神经网络函数逼近

利用多维离散傅立叶变换原理构造新颖的神经网络模型用于函数逼近,网络结构为分层前向网络。给出了网络的学习算法,网络的大部分权值都是固定的,只有输出层与最后隐层之间的权值需要调节。