基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。     

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。     

基于遗传算法和径向基函数神经网络的转炉炼钢模型

针对转炉传统模型的弱点 ,本文在转炉建模过程中引入了遗传算法和径向基函数神经网络 ,由遗传算法辨识转炉过程的脱碳与升温模型 ,并利用径向基函数神经网络及时补偿辨识模型的误差。实际结果表明这一方法效果明显。     

径向基函数网络泛化能力研究及其应用

通过分析径向基函数网络(RBF网络)结构及影响其泛化能力的因素,提出一种通过网络泛化误差自动调节隐层节点数以得到最佳节点数的方法。将采用这种算法的RBF网络用于对船舶焊接变形过程进行建模并预测其输出。仿真表明这种算法可以显著提高传统RBF网络的泛化能力。     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

基于径向基函数网络的强化学习在机器人足球中的研究

与监督学习从范例中学习的方式不同，强化学习不需要先验知识，而是具有从经验中学习的能力，将强化学习应用在大状态空间中，必须应用函数逼近的方法，如使用径向基函数网络建立输入和输出的映射关系。本文对基于径向基函数网络的强化学习在机器人足球这样的动态的多智能体环境中的应用进行了研究。实验结果证明了研究方法的可行性。     

基于径向基函数的超声体数据重建仿真研究

三维超声成像技术因其重要的临床应用价值日益成为相关领域的研究热点,而三维体数据重建是其中的关键技术环节之一.一般而言,径向基函数(RBF)插值与其它插值方法相比有更高的精确度.将RBF插值应用到三维超声成像系统的体数据重建中,且通过预处理以及选取合适的径向基函数等措施,降低了方法的运算复杂度,提高了处理效率.仿真实验结果表明,该方法不仅能够获得较好的重建效果,并且减少了重建时间,使得RBF插值法在三维超声成像系统体数据重建中的应用变得更具工程实用性.     

基于小波基函数和Hammerstein模型的预测函数控制

针对实际对象的多变性和传统的预测函数控制只能对预测时域内有限的几个拟合点进行拟合,而未考虑整个预测时域整体逼近误差性能优化的问题,提出一种基于小波基函数和Hammerstein模型的预测函数控制方法.内部模型参数通过不断辨识,进行自适应校正.利用小波的紧支局部性和多尺度分析特性,既保证了整体误差性能的优化,又突出了重要拟合点的逼近要求,并实现了优化变量的集结.理论分析和仿真应用表明,该方法有更好的快速性和抗模型失配性能.     

基于径向基函数神经网络滑模控制的运动控制系统

针对运动控制系统的非线性动态摩擦力,为提高系统的位置跟踪精度,利用-种径向基函数(RBF)神经网络滑模控制方法.采用一种具有指数形式的非线性摩擦力,利用径向基函数神经网络在线估计系统的不确定动力学,利用李亚普诺夫稳定性理论推导出网络权值的在线自适应律.仿真结果表明了该控制策略的有效性.     

电液伺服系统的模糊径向基函数网络监督控制

针对电液伺服系统存在未知干扰力及参数时变等问题,提出一种新型的模糊径向基函数(简称RBF)神经网络的在线控制方法。该方法基于RBF网络与模糊推理系统的等价性,将模糊推理的思想引入RBF神经网络,从而为RBF隐层数目和中心位置初始化找到一种有效的途径,并采用Kohonen竞争学习机制在线调节网络参数,构成模糊自组织RBF监督控制策略。对典型电液位置伺服系统的仿真结果表明,该方法实时性强,具有良好的鲁棒性和跟踪性能。     

基于RBF神经网络的加热炉钢温预报模型

本文针对加热炉钢温预报模型存在的缺陷,研究用ＲＢＦ神经网络建立和加热炉钢温预报模型仿真结果表明所建立的模型简单,精度高,满足工程要求。     

基于RBF神经网络的短时交通流预测

根据短时交通流的特性，以神经网络技术为基础，构建短时交通流预测的神经网络模型，并用某高速公路实际短时交通流观测数据进行验证。     

基于小波分析和神经网络的软件衰退预测

许多研究人员指出软件性能衰退的主要原因之一是系统资源的耗尽,为了避免软件衰退导致的高成本,应用了基于小波分析和神经网络的四阶段混合模型来实现软件性能衰退的预测。首先应用小波过滤器去除噪声数据;然后使用冗余的Haar小波变换把监控系统采集到的系统资源使用数据分解到不同的分辨层上;再在每一层使用神经网络进行预测,神经网络的权重采用基于免疫机理和模拟退火算法来初始化;最后使用神经网络组合各个分辨层上的预测值。为了验证算法的预测精度,使用软件运行中采集到的系统资源耗费数据进行了仿真实验和比较,实验结果显示该算法具有较好的预测精度。     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

基于RBF神经网络的海杂波建模

从相空间重构理论出发，构造了一个RBF神经网络预测器来重构海杂波的内在动力学，并且利用这个确定性的模型时海杂波的演变进行预测。为验证模型的推广性能，采用了多步预测。对雷达采集的实际海杂波数据的实验结果表明，这个确定性的模型可以很好地追踪海杂波的演变。文中还分析了该RBF神经网络预测器在不同高斯白噪声条件下的预测性能，得出了其预测误差与杂噪比（CNR）的关系。     

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点，建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真，取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报，亦可用于纵摇、艏摇的时间序列预报。     

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神经网络的作战效能评估方法

作战效能评估是现代作战模拟中的一个非常重要的环节,受到人们特别的关注.介绍了一种基于改进型RBF神经网络的作战效能评估方法,主要是依据样本数据动态调节网络结构与参数.然后基于EINSTein系统进行实例评估,仿真结果表明改进的RBF神经网络算法具有良好的自学习能力,以及预测精度高、可行性好等优点,可以广泛应用于作战效能的评估工作中.