基于RBF神经网络的销售预测模型的研究与应用

文章研究一种基于RBF神经网络建立预测模型方法，其主要采用有监督学习的SG(Stochastic graclient)法对RBF神经网络进行训练，并通过遗传算法优化隐层节点的中心值，用优化的中心值再次训练网络，优化网络参数，得到全局最优解。     

基于ROLS的径向基函数神经网络实现数字调制自动识别

针对径向基函数(RBF)神经网络和统计模式识别的特点,提出利用递归正交最小二乘法(ROLS)的RBF神经网络实现数字信号调制样式的自动识别。仿真结果表明,利用ROLS算法很好地实现了RBF神经网络权值的确定和中心的选择,从而大大减少了网络的训练样本数和训练时间,提高了网络的识别性能。     

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。     

基于遗传算法的RBF神经网络中心值优化研究

RBF神经网络中心值的确定是个关键的问题,在很大程度上决定了RBF网络性能的好坏.该文采用遗传算法对RBF神经中心进行优化,并将优化后的RBF神经网络用于非线性函数逼近,实例证明取得了较好的效果.     

基于量子免疫的RBF神经网络在上市公司财务预警中的应用

针对传统的RBF神经网络财务预警模型难以解释变量之间的因果关系,使得训练时间增加、训练精度下降等缺陷,该文提出了一种基于量子免疫的改进的RBF神经网络的财务预警模型.该模型通过改进的量子免疫算法对RBF神经网络的连接权值进行优化,将连接权,隐节点中心以及宽度编码为基因,构成抗体,然后通过遗传迭代使网络参数逐步优化,最终达到最优结果.详细阐述了算法的实现过程以及利用量子免疫算法改进RBF神经网络财务预警模型,然后,分别采用改进RBF神经网络法、传统RBF神经网络法及Logistic回归模型进行实证对比分析,实证证明了改进RBF神经网络模型预警的准确性有较大提高.     

基于RBF神经网络的线性混叠盲分离算法

提出一种RBF神经网络算法应用于线性混叠信号的盲分离。所用的RBF神经网络算法是从输入信号的数据中训练出中心值和宽度值,再训练通过用最大熵值的代价函数推导的权值。所用的代价函数保证了网络的输出尽可能独立,使信号能正确地分离。仿真验证了所用的算法能减少分离时间和提高分离效率。对比ME算法,该算法更好。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于改进遗传RBF神经网络的双电机驱动伺服系统控制

针对常规遗传算法的缺陷,提出了一种基于改进遗传算法和RBF神经网络相结合的控制方法.该方法对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.最后在双电机驱动伺服系统中进行了仿真试验,结果表明所提出的控制策略是有效的.     

基于RBF网络和遗传算法的电阻抗图像重建算法

针对RBF网络的特性，提出一种实数编码的遗传算法，不仅可以同时确定网络参数（连接权、邹节点中心和宽度），而且解决了电阻抗图像重建问题，实验结果表明，用遗传算训练RBF神经网络再构图像较RBF网络使用Poggio学习规则的训练算法有明显改善。     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

改进RBF网络设计方法及其在软测量建模上的应用

针对流程工业中难以直接测量的变量研究了其软测量方法.采用局部强逼近性能的RBF神经网络对被测变量进行建模;提出用峰值密度函数法确定RBF网络的隐含层节点数;设计样本信息分析算法提取样本特征,结合精度要求,初始化节点的中心向量和接收域宽度,消除了利用随机数等方法初始化训练参数和网络参数所造成的不确定性问题,同时提高了网络的收敛速度和精度;整个过程分别采用改进的梯度法、带有遗忘因子的最小二乘法等算法进行设计.利用改进的RBF网络对原油的直馏宽窄馏分的临界温度变量进行软测量建模、仿真.实验结果表明,基于改进的RBF网络的建模方法,在精度和收敛速度方面均有显著提高.     

多神经网络在软测量仪表中的应用

针对化工过程对象的复杂性和不确定性,介绍了采用以RBF神经网络作为子网络的多神经网络在软测量仪表中的应用。用粘度软测量仪表的实例证明了使用多神经网络建模的有效性。     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。     

一种并行核径向基神经网络预测模型

径向基神经网络经常用于回归预测,但是高维的核函数矩阵运算需要花费巨大计算资源．为了缩短计算时间,设计了并行算法用于计算径向基网络核函数矩阵,并将它用于转炉提钒预测模型,在以MPI构建的工作站机群上执行该算法,利用实际数据验证了该算法的加速性和准确性．     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。     

基于人工种经网络的乳腺癌诊断模型

针对具体的乳腺癌诊断分类问题，研究了多层径向基函数(RBP)网络的分类机理和初始化优化参数，采用动量法和学习率自适应调整两种策略方法，建立了基于BP神经网络和径向基(RBF)神经网络的乳腺癌两种诊断模型。讨论了径向基神经网络的分类机理，同时对数据作了预处理。径向基(RBF)神经网络具有较强的非线性并行处理能力和容错能力。仿真结果表明，所设计的RBF网络模型性能稳定，训练时间短，分类效果较好。     

催化精馏合成碳酸二甲酯神经网络建模与操作条件的遗传算法优化

催化精馏合成碳酸二甲酯能够显著提高反应物碳酸丙烯酯的转化率。这里采用径向基神经网络建立某些操作条件与碳酸丙烯酯的转化率之间的模型，并采用遗传算法优化操作条件。优化结果得到试验验证。     

煤调湿控制系统的智能建模与优化方法研究

煤调湿工艺是炼焦过程节省能源、减少污染并提高生产效率和焦炭质量的关键工艺环节,为实现煤调湿过程的精确控制,针对其具有强耦合、大时滞、非线性系统的特性,采用RBF（Radical Basis Function）神经网络建模, GA（Genetic Algorithm）、PSO（Particle Swarm Optimization）和BFO（Bacterial Foraging Optimization）优化方法进行比较,获得不同工艺需求下的煤调湿控制系统建模与优化方法,为煤调湿过程的精确控制提供依据,为实现炼焦过程节省减排增效和提高焦炭质量创造条件。     

基于卷积神经网络的英文篇章情感量化方法

提出利用卷积神经网络(CNN)预测英文单词情感极性,并利用英文单词情感极性设计量化篇章情感倾向的方法.首先,利用fastText技术训练词嵌入模型,将英文单词转化为定长、稠密的词向量;接着,以词向量作为输入,构造一维CNN模型,并设计出多种具有不同深度的架构;最后,利用CNN预测模型计算篇章中所含英文单词的平均情感极性作为篇章情感倾向的量化分值.实验结果表明:相比于传统的机器学习模型,提出的CNN预测模型能够提升英文单词情感预测精度,所设计的篇章情感量化方法,也与主观判决情感色彩有较好的一致性.     

基于深度神经网络-近似线性网络混合模型的电力系统状态估计方法

为提高电力系统实时状态估计的精度和计算效率,解决电网电压波动频发、潮流分布的不确定性剧增等问题,通过提出一种基于深度神经网络和近似线性网络模型的电力系统状态估计方法,研究了其在电网的应用。该方法将混合系统量测数据通过粒子滤波算法得到样本集,利用训练样本训练所提出的混合神经网络模型,最后将测试样本输入已建立的模型中获得系统状态的估计结果。通过IEEE118节点系统进行的负载数据仿真实验表明：基于混合神经网络模型的电力系统状态估计方法不仅能快速进行海量数据训练,还能有效避免过拟合;在实时状态估计的精度和计算效率方面,相较于高斯-牛顿法均有提高。可见所提方法在电力系统实时状态估计方面具有一定的应用价值。