基于灰色关联分析指标筛选的RBF神经网络-马尔可夫链的空气质量预测模型

根据天津市空气质量监测数据及实际情况,应用RBF神经网络-马尔可夫模型对天津市空气中物浓度进行预测.首先,分别以SO2、NO2、PM10为参考序列,应用灰色关联理论选出关联度较高的因F神经网络的输入节点.其次,应用RBF神经网络对各污染物浓度进行预测,并利用马尔科夫模型修值,可使修正值更加接近实测值.以SO2为例,RBF神经网络的平均相对误差为1.797%,应用马尔可正后的平均相对误差为1.035%,验证了该方法的可行性.     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

基于混沌神经网络的交通流预测算法

为提高 RBF 神经网络的交通流预测精度,提出基于混沌-RBF（Chaos-RBF,C-RBF）神经网络的交通流预测算法,该算法首先计算混沌相空间的嵌入维数和嵌入延迟,构造得到的相空间向量作为 RBF 神经网络的输入,其相空间次邻向量作为期望输出值,滚动训练得到神经网络的权值,然后以实际交通流作为输入,经由网络计算得到预测值。仿真结果表明该算法相比于 RBF 神经网络,预测精度提高 96%,证明了该算法的有效性。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

基于PSO-RBF监测预测模型的电力电子电路

针对现有电力电子电路故障状态预测技术的不足,提出将电路特征性能参数与粒子群算法(PSO)优化的径向基函数(RBF)神经网络相结合,对电力电子电路进行故障状态监测预测.以电源电路中Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波电压值作为电路特征性能参数,并利用改进后的RBF神经网络实现状态预测.结果表明,利用PSO改进后的RBF神经网络对电路输出平均电压和纹波电压的预测比单纯RBF神经网络预测的结果更加精准,能够跟踪电源电路状态特征性能参数的变化趋势,有效实现电力电子电路状态监测和预测.     

基于NSGA-Ⅱ与RBF神经网络的车身薄板定位布局研究

为了解决车身薄板定位布局设计效率低,装夹易变形的问题,提出了一种基于NSGA-Ⅱ与RBF神经网络的车身薄板定位布局设计方法,以薄板定位时的偏差传递路径最小和稳定性最高为约束条件,应用NSGA-Ⅱ算法优化前3个定位点,在有限元样本的支持下分别构建BP和RBF神经网络预测模型并进行对比,选择预测精度较高的RBF神经网络结果作为个体适应度值。分别应用遗传算法和粒子群算法在RBF神经网络中寻优并对比,选择收敛速度较快和求解精度较高的粒子群算法的求解值作为第4个定位点的最优解。以座椅安装横梁作为模型验证研究内容。结果表明,零件在优化后定位布局下的最大装夹变形仅为优化前最大装夹变形的27%。因此,RBF神经网络可以对薄板装夹变形进行有效预测,研究结果对进一步开展车身焊装夹具设计和机身薄壁件定位布局研究具有参考价值。     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

SOA优化BP神经网络的水体氨氮预测模型

为提高水体中氨氮的预测精度,本文提出一种基于SOA改进BP神经网络的预测模型。首先,采用具有较好全局搜索能力和局部搜索能力的SOA算法对BP神经网络的初始权值和阈值进行优化,防止其在训练过程中陷入局部最优值,而后采用优化后的权值和阈值作为BP神经网络的初始权值和阈值对其进行训练。仿真结果表明所提出的新模型对水体中的氨氮含量具有更高的预测精度,且提出模型的收敛速度较传统BP神经网络更快,可更好的应用于复杂水体中氨氮的预测。     

径向基函数网络(RBF)在股市预测中的应用

如何对股票价格进行预测是投资者所关注的内容。利用RBF神经网络对股票价格进行预测,将反映股票价格的开盘价、收盘价、最高价、最低价作为神经网络的输入变量,利用RBF神经网络自适应算法对网络进行训练,建立起神经网络模型。研究表明,该方法具有一定的预测能力。     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。     

基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

一种基于径向基函数神经网络的语音降噪方法

采用径向基函数神经网络在时域上对含噪语音信号进行降噪处理.针对语音信号的短时平稳性以及噪声的随机性,对语音信号进行分帧预处理;用分帧后的纯净语音信号作为径向基函数网络的教师信号,并利用Matlab神经网络工具箱设计和训练网络.实验结果表明,径向基函数网络作为语音信号滤波器,可有效地抑制语音信号中的白噪声,具有良好的降噪性能.     

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RBF神经网络的复杂系统的建模与优化

针对BP神经网络算法在用于函数逼近时,存在着收敛速度慢、易陷入局部极小的不足,提出基于RBF(径向基函数,Radail Basis Function)神经网络的建模与优化方法,并以典型复杂系统联合制碱工业过程为例,利用神经网络算法的强大学习能力建立RBF神经网络模型,并进行优化研究。以联合制碱工业过程中的煅烧工段为例进行了仿真研究,仿真结果显示RBF神经网络的优越性,效果令人满意。     

多模式集成的RBF神经网络天气预报

针对复杂庞大的多模式数值预报数据,提出一种径向基函数(RBF)神经网络集成天气预报模型.根据天津市预报站点采用的WRF模式、RUC模式等数值预报数据的特点,将多种单模式数据作为RBF神经网络输入,网络输出为集成预报结果.实验表明:RBF神经网络集成预报模型降低了单模式预报误差,更加贴近了真实数据,并且在稳定性和实效性方面均有良好表现.     

一种复合型前馈神经网络结构

ＢＰ网络是一全局逼近的网络,通常,在对样本数据的选取要求上,它不如ＲＢＦ网络高,即ＢＰ网络在训练样本数据的代表性不强时也可表现出对非线性函数较强的逼近性能,鉴于此,作者提出了一种复合型前馈神经网络结构在此结构中,笔者采用了ＢＰ神经网络对训练数据进行预处理而得到径向基函数（ＲＢＦ）网络的初始中心矢量点集的方法该方法使得ＲＢＦ网络中心矢量点集由传统的随机确定改为对它的优化选取,由它确定的ＲＢＦ网络的中心矢量具有相当的柔性,从而增强了径向基函数（ＲＢＦ）神经网络整体的泛化性及鲁棒性,最终使得该复合型神经网络具有了很好的精度和泛化性仿真结果表明了本文所提网络的有效性     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。