改进的神经网络最近邻聚类学习算法及其应用

提出了一种改进的RBF(Radial Basis Functions，径向基函数)神经网络最近邻聚类学习算法。并将其应用于股市预测问题。模拟结果表明，改进算法的拟合效果与拟合误差均明显好于常规最近邻聚类学习算法，可以较大幅度提高RBF神经网络的预测性能。     

基于大数据的多工序产品质量预测

随着生产过程越来越复杂,多工序制造过程在工业生产中越来越普遍,工序之间相互关联作用,产品质量的影响因素日益复杂。针对大数据环境下多工序复杂生产过程,考虑数据的全样本、多特征特性,构建了谱聚类(SC)和粒子群(PSO)算法优化径向基(RBF)神经网络的质量预测模型。模型验证结果表明,单一的RBF预测误差为0. 649,SC+RBF预测误差为0. 214,BP神经网络质量预测误差为0. 183,改进的RBF预测模型效果最佳,均方根误差为0. 089,小于10%,满足工业生产的实际要求。     

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RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

基于RBF神经网络的冠心病识别模型

RBF神经网络是前馈神经网络研究中的一个热点.对RBF神经网络的网络结构、基本原理和学习算法进行了介绍.针对BP神经网络自身的缺陷,提出以RBF神经网络为识别模型,采用最近邻聚类学习算法,建立一种冠心病模式识别诊断系统.仿真实验表明,该模型可快速完成对冠心病样本的学习与拟合,具有预测识别率高的优点,可作为该病诊断的一种有效的辅助手段.     

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神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

基于神经网络的IGBT结温预测

针对大电流下绝缘栅型双极晶体管(IGBT)饱和压降和集电极电流与结温之间的非线性关系带来的结温预测难题,搭建了大电流下IGBT饱和压降测试系统,获取了结温和集电极电流与饱和压降之间的非线性关系曲线,分析了关系曲线变化规律对应的物理机制.采用Matlab软件建立了误差反向传播(BP)神经网络模型和径向基函数(RBF)神经网络模型进行结温预测.与多项式数学模型预测结果对比表明:两种神经网络模型的预测相对误差和预测误差90%置信区间比多项式数学模型更小,结温预测精度更高;并且BP神经网络模型的预测精度高于RBF神经网络模型,结温预测模型选择时应优先考虑BP神经网络模型.     

RBF与加权质心相结合的室内无线定位算法

针对传播路径损耗模型的参数,极易受室内障碍物等环境因素影响,导致定位精度低的问题.利用RBF(径向基函数)神经网络算法替代损耗模型,拟合RSSI(接收信号强度)值与距离的关系.采集室内RSSI值和其对应的距离值的实测数据,利用实测数据训练RBF神经网络,建立RSSI-距离拟合模型;利用拟合模型将经过处理的RSSI值转换为距离值,并将距离值按从小到大排序;取前3个离定位节点较近的固定节点的信息,进行加权质心定位计算.研究结果表明:RBF算法的定位精度比路径传播损耗模型算法提高了34.5%,且略高于BP算法的定位精度.在相同的室内环境下,RBF算法能更好地克服环境因素对距离计算的干扰,提高室内定位的精度和稳定性.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于PSO的RBF神经网络短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.     

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。     

有机灰色神经网络模型在河流水质预测中的应用

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,在分析河流水质动态变化的基础上,结合灰色理论中的GM(1,1),无偏GM(1,1)和RBF神经网络的特点,提出有机灰色神经网络预测模型,将灰色模型得到的数值作为神经网络的输入,原始数据作为神经网络的输出,训练得到最佳神经网络结构.以某地区河流水质为例,根据其变化规律,应用有机灰色神经网络模型进行预测,结果表明,该模型拟合误差小,预测精度高.     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

基于组合神经网络的雷达弱信号检测

本文提出了一种基于组合RBF神经网络与混沌理论的弱目标检测算法。运用RBF神经网络的特点,将非线性预测模型的建立归结为预测误差的最小化问题,再对误差的控制建立合适的非线性预测模型。经仿真研究表明了所提出算法的可行性和有效性。     

引入收益因素的RBF神经网络及其应用

考虑到投资者的主要目的是盈利这一重要因素，提出了一种改进的径向基函数(RBF：Radial basis function)神经网络方法。在RBF网络的误差函数中增加了利润、时间和趋势信息，并采用基于梯度下降的误差纠正算法对网络进行训练。对股市综合指数进行预测的结果表明，该方法在提高投资收益的意义下，提高了神经网络模型在金融领域的预测性能。     

城市建筑安装涂料VOCs排放量模拟预测研究

通过建立灰色离散分数阶预测模型GM(1,1)、BP和RBF神经网络预测模型,以西安市建筑安装涂料产生的VOCs为例,将用于建筑安装的涂料量以及其驱动因子数据作为模型的输入值,用收集整理的2004—2011年16组西安建筑安装涂料消耗量数据进行BP和RBF神经网络训练模拟,2011—2014年5组年数据进行检验预测,采用曲线拟合度和相对误差2个评价指标对3种预测模型结果进行比较分析。结果表明,灰色预测、BP和RBF神经网络预测模型的样本训练及预测的平均误差为:-16.53%,、7.05%,和4.73%,,结合真实值与预测值的曲线拟合和误差下降曲线来看,RBF神经网络的预测结果优于BP神经网络预测结果,采用RBF神经网络预测模型对城市建筑安装VOCs的排放量进行预测具有模拟效果好和预测精度高的优势,对城市VOCs的治理有一定的参考价值。