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.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

基于RBF神经网络的输电线路故障类型识别新方法

基于径向基函数(radial basis function,RBF)神经网络理论,采用电流突变量比例系数,提出了一种对输电线路故障类型识别的新方法。利用PSCAD/EMTDC软件建立500 kV高压输电线路仿真模型,仿真不同工况下的故障。由各相电流之差提取故障差流信号的突变量,并计算故障后一个周期内差流突变量的有效值,得到故障状态下各相差流突变量占三相差流突变量有效值总和的比例系数,结合零序电流判别系数构造故障类型识别特征向量,建立RBF神经网络进行故障类型识别。仿真结果表明,采用电流突变量比例系数作为特征量包含的信息更丰富,对RBF神经网络的训练效果更好,不受故障位置、故障初始角和过渡电阻等因素的影响,网络识别精度高。     

基于RBF神经网络的客户分类模型

运用径向基函数（RBF）神经网络和K均值聚类算法建立了客户价值分类模型,并用最小二乘法调整RBF的权值．仿真结果证明了该方法的有效性．     

用遗传算法改进的RBF神经网络在语音识别系统中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用遗传算法的全局搜索性能,将遗传算法用于RBF网络的训练过程.由于简单遗传算法存在收敛速度慢及不能收敛到全局最优解等不足,引入自然数编码的自适应遗传算法,加快网络的训练速度.将该算法应用到语音识别系统中,实验结果表明:使用该方法的识别结果优于使用K-均值聚类算法选取质心的RBF网络的识别结果.     

用文化算法改进的RBF神经网络在语音识别中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用文化算法的全局搜索性能,将文化算法用于语音识别系统的RBF网络的训练过程中,基于实验数据,指出该方法的识别结果较k-均值聚类算法有了明显的改善。     

一种基于RBF神经网络优化算法在入侵检测中的应用

入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用．笔者对原有的基于RBF神经网络的入侵检测模型进行改进并给出了设计思想．该模型能将入侵检测系统的两种检测技术——误用检测和异常检测有效地结合起来,使用两层RBF神经网络训练模块,三层训练机制,在训练时间方面有较大的优势,并能实时地检测到新型攻击．     

优化的RBF神经网络在入侵检测中的应用

在入侵检测的应用中,RBF神经网络训练样本的数据量比较大,但是训练中广泛应用的OLS方法存在大数据量训练时间过长、不能根据数据特性确定平滑参数的缺点。针对此问题该文采用了一种基于快速模糊C-均值算法(AFCM)和正交最小二乘法(OLS)算法相结合的AFORBF训练算法;试验证明,AFORBF算法解决了RBF在入侵检测系统中处理大数据量时间过长的问题,获得了较高的检测率,简化了网络结构,提高了网络性能。     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

基于神经网络的热轧带钢宽度预报与设定

研究带钢热连轧生产线中成品带钢的宽度预报与设定.由于精轧道次带钢宽度变化与板坯化学成分、立辊侧压量、厚度压缩比、钢板温度、速度及张力等因素有关,所以在宽度预报中,按照轧制顺序将整个轧制过程分为两部分:狗骨轧制和随后的精轧道次,前者用数学机理模型建模,后者引入主成分分析-径向基函数(PCA-RBF)神经网络建模.应用效果表明,经过训练的神经网络模型能够有效提高带钢宽度的预报精度,减小成品带钢的宽度波动.     

基于RBF神经网络多用户检测方法的设计

基于免疫算法和免疫进化网络,提出了一种训练RBF网络的混合算法.该算法采用了一种可以实现数据聚类的免疫进化网络,根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置;采用免疫算法训练RBF网络,使优化过程趋于全局最优.通过计算机仿真证明,将该方法应用于多用户检测中获得了比传统检测器和其他方法训练的RBF网络多用户检测器更好的误码率检测性能.     

人工免疫网络算法的改进及免疫优化应用

基于人工免疫网络算法(aiNet)模型,借鉴禁忌搜索算法(TS)的思想,提出一种禁忌搜索与人工免疫的混合算法,即人工免疫网络算法(TS-aiNet).在算法中引入禁忌表,禁忌那些在网络迭代中亲和度连续不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加1个记忆表,用于保存成熟的记忆细胞;重新定义高斯变异方式,以保证多样化的有效搜索.利用Markov链证明算法全局收敛性,通过对多个典型系统测试函数的仿真实验定量分析该算法的性能,并与经典克隆选择算法和opt-aiNet算法进行比较研究,分析特征参数对算法性能的影响.实验结果表明,该算法在多模态搜索空间中具有更强的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法.     

改进人工免疫网络算法在电力短期负荷预测中的应用

针对现有的短期负荷预测方法易陷入局部极值以及预测精度不高等缺陷,文中提出了一种基于改进免疫算法优化BP神经网络的短期智能负荷预测方法.通过利用改进的矢量距优化免疫网络,从而达到优化网络的目的.融入免疫调节原理,引入抗体浓度的概率选择式,采用自适应变化策略重新设计变异算子,利用新的变异尺度设计种群抗体,采用新的神经元适应度函数,并结合免疫网络调节的进化算法进行网络学习.实例分析表明,基于改进免疫网络优化的BP网络短期负荷预测算法比混沌算法优化BP网络算法精度更高,更具实用性.     

RBF人工神经网络拓扑结构定义与解的唯一性证明

以RBF人工神经网络为例,通过引入透明人工神经元的定义,提高了人工神经网络拓扑结构表述方面的一致性,证明了人工神经网络解的唯一性与确定性,提出了训练算法的非随机性和学习速率的最佳选择.     

基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法

提出一种基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法.该算法通过抗体的克隆选择和变异过程,完成对入侵抗原的清除,实现免疫防御的功能;利用免疫网络调节的思想选择抗体记忆细胞,完成知识的学习和积累,实现免疫自稳的功能;利用所建立的抗体记忆矩阵实现对类似入侵抗原的快速应答,行使免疫监视识别功能.该算法利用生物变异机制实现抗体的自适应调节,使系统具有自适应、自学习能力.在加热炉状态识别的应用研究表明,本文所提出的算法在解决数据识别方面具有较好的效果.     

一种新的基于克隆选择原理的人工免疫算法

提出了一种新的基于克隆选择原理的人工免疫算法.该算法基于生物免疫系统的自适应免疫识别机制,通过整合克隆选择过程中的亲和度成熟、阴性选择、免疫记忆、基因库进化和元动力学等关键要素,可在搜索过程中自动获取和积累有关搜索空间的知识,协调利用群体记忆与基因库记忆机制,在资源受限的条件下高效求得问题的解;并对算法的全局收敛性进行了分析.针对STSP问题的实验结果验证了算法的性能.     

基于RBF人工神经网络的X级以上太阳耀斑预报研究

采用第23太阳活动周X级以上耀斑的数据,通过回归分析、Gauss拟合和RBF人工神经网络等方法对X级以上耀斑进行预报研究.结果表明,将黑子群的位置、卡灵顿经度、耀斑爆发时间与黑子群达到最大面积的时间关系、每7d黑子群的最大面积、太阳耀斑流量的积分值、CME速度和F10.7射电流量7个预报因子作为参量对RBF人工神经网络预报模型进行训练,训练后建立的RBF模型的输出结果和训练数据的相关系数高达98%,对耀斑强度的预报结果与观测结果的误差在0.5以内,预报模型符合耀斑短期预报的要求.     

基于人工免疫网络的机器人局部路径规划

为解决复杂环境下机器人路径规划问题,提出了基于人工免疫网络(artificial immune network,AIN)的移动机器人局部路径规划算法。建立了AIN与机器人局部路径规划问题的映射关系,给出了算法流程,最后对提出的方法进行了仿真验证,并与人工势场法进行了比较,结果表明该方法在复杂障碍物环境下是可行和有效的。     

RBF neural network and active circles based algorithm for contours extraction

For the contours extraction from the images, active contour model and self-organizing map based approach are popular nowadays. But they are still confronted with the problems that the optimization of energy function will trap in local minimums and the contour evolutions greatly depend on the initial contour selection. Addressing to these problems, a contours extraction algorithm based on RBF neural network is proposed here. A series of circles with adaptive radius and center is firstly used to search image feature points that are scattered enough. After the feature points are clustered, a group of radial basis functions are constructed. Using the pixels’ intensities and gradients as the input vector, the final object contour can be obtained by the predicting ability of the neural network. The RBF neural network based algorithm is tested on three kinds of images, such as changing topology, complicated background, and blurring or noisy boundary. Simulation results show that the proposed algorithm performs contours extraction greatly.     

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.