基于改进差分进化算法的RBF神经网络优化方法

提出了一种新的RBF神经网络训练方法——改进差分进化算法,并用改进差分进化优化的神经网络对非线性系统进行逼近.采用改进差分进化算法对RBF神经网络的中心值、宽度和权值进行了优化.仿真实验结果表明,改进的差分进化算法具有比遗传算法更强的非线性系统逼近能力.     

基于径向基函数神经网络的热工过程模型辨识

为了准确反映热工过程动态特性,实现热工过程整体优化控制,提出了一类新的径向基函数神经网络(RBF-NN)的建模方法:采用熵方法和竞争学习算法,结合非线性自回归滑动平均(NARMA)模型的输入/输出结构实现RBF-NN的优化,辨识RBF-NN结构,并用最小二乘算法(LS)确定权向量,实现了典型的非线性热工过程建模。通过两个实例验证:基于NARMA结构的RBF-NN建模,具有较高的辨识精度和较少的隐层节点。     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于递推K—均值聚类算法的RBF神经网络及其在系统辨识的应用

提出了一种基于ｋ－均值聚类算法的ＲＢＦ神经网络递推快速学习算法，并用此对动态非线性过程进行辨识。仿真结果表明了本文方法的可行性。     

焊接过程的RBF神经网络建模

介绍了RBF神经网络的性能和算法结构，建立了RBF神经网络在船舶焊接过程中用于焊接变形预测分析的模型,并探讨了其应用和发展趋势。     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

差分进化算法在气动力参数辨识中的应用

差分进化算法是一种新兴的优化算法,与最小二乘法等梯度类算法相比,它能够进行全局寻优且对初值不敏感,具有广泛的应用前景.建立某型飞机刚体运动的6自由度非线性动力学模型,在叠加一定比例白噪声的情况下获得其仿真数据,使用差分进化算法辨识出该型飞机的纵向运动气动力参数,辨识结果与真实值较为吻合,证明该算法是可行的.多组试验表明:对于该型飞机的动力学模型和仿真数据,使用差分进化算法的辨识结果与使用最小二乘法、普通粒子群算法的辨识结果相比,具有更高的精度和更强的鲁棒性.     

运用改进差分进化算法辨识Hammerstein模型

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

焊接过程的RBF神经网络建模

介绍了RBF神经网络的性能和算法结构 ,建立了RBF神经网络在船舶焊接过程中用于焊接变形预测分析的模型 ,并探讨了其应用和发展趋势     

基于组合三角变异差分进化算法的化工参数辨识

针对传统方法在解决化工参数辨识问题中易陷入局部最优、导致求解精度不足的问题,提出了一种组合三角变异差分进化(CTMDE)算法,融入了组合三角高斯变异策略和DE/current-to-pbest/1变异策略.其中,组合三角高斯变异策略引入了组合权重来适应性利用较优个体、一般个体、当前个体的信息,维持种群多样性;而DE/current-to-pbest/1变异策略能够利用种群中的较优个体来指导搜索,对解空间的开采能力较强.两者结合使得算法在加快收敛速度的同时降低陷入局部最优的可能性.在12个基准测试函数上,将CTMDE算法与其他新近DE算法进行比较,并将CTMDE算法应用于甲醇转化为烃类物质的参数辨识问题.实验结果表明:CTMDE算法具有较好的寻优性能,且在化工参数辨识问题上具有较好的求解效果.     

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.     

基于免疫进化算法的径向基函数网络

基于免疫进化算法，提出了一种设计径向基函数(RBF)网络的新算法——免疫径向基函数网络(IRBF)训练算法．该算法通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围，提高了算法的收敛速度．计算机仿真表明，采用这种算法训练的RBF网络达到了较好的性能．     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于RBF神经网络的图像特征处理

径向基函数网络(RBFN)是当前人工神经网络技术研究的热点之一,并以其优良的性能广泛应用于各个领域。针对BP神经网络容易陷入局部最优的缺陷,文章提出用RBF神经网络进行图像特征提取,并给出了RBF神经网络构建过程及选Gauss函数为径向基函数的优势,最后设计并完成实验。模拟实验结果表明了训练好的RBF网络对边缘特征提取的有效性,也证实了选择良好的高斯函数宽度,可以得到较优的网络。     

基于RBF神经网络与遗传算法的Agent初始位置优化

以陆地作战训练模型为背景，研究了多Agent系统中Agent初始属性的优化问题，提出了一种径向基函数(RBF：Radial Basis Function)神经网络与遗传算法(GA：Genetic Alorithm)相结合的、对作战训练模型中Agent的初始位置进行优化的方法。与已有的优化方法相比，该方法不仅优化效果得到明显的提高，而且执行效率可以提高20余倍，更适于处理对执行效率要求较高的优化问题。     

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．     

基于改进微分进化和分散辨识算法的炼钢模型研究

在炼钢过程模型辨识中,被控对象的动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,使得难以对其建立比较精确的模型。为实现精确建模,提出了一种基于微分进化和分散辨识算法的辨识方法。该方法通过改进的微分进化算法,对系统进行参数优化,接着采用分散辨识在设定点输入阶跃信号,待系统进入稳态后再采样,使得到的稳态输出值能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,通过微分进化算法可进一步确定炼钢过程的最佳参数,在采用分散辨识方法对炼钢复杂对象进行辨识后,可以建立更好的数学模型。     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.