一种基于RBF神经网络的无线传感器网络定位模型

在无线传感器网络覆盖区域内的不同位置采集信号强度值,利用径向基函数(RBF)神经网络建立信号强度到节点坐标之间的映射模型,将采集到的信号强度值作为神经网络的输入矢量进行训练,利用训练好的神经网络实现未知节点的定位。实验结果表明,该模型具有较好的定位精度,其平均定位误差低于10%。     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

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。     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基（Radial Basis Function简称RBF）网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法．实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善．     

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。     

RBF神经网络的一种鲁棒学习算法

用定标鲁棒代价函数代替传统的二次型指标 ,并结合改进的遗传算法 ,搜索近最优径向基函数神经网络 ( RBFNN)的结构和参数 .实验结果表明该训练方法比其他方法具有更强的鲁棒性 ,可提高 RBFNN的泛化能力 ,自动消除训练数据中的噪声 ,再现训练数据中的潜在规律 .     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

一种改进的混合粒子群优化算法

为了提高粒子群优化算法的局部搜索能力、算法的收敛速度和解的精度,提出了一种改进的混合粒子群优化算法。采用聚类方法和混沌初始化、同时引入线性组合式局部搜索过程,通过四个标准函数的测试实验,与标准粒子群优化算法、混沌粒子群优化算法进行比较分析,提出的算法寻找全局最优解的能力有显著的提高,算法收敛速度和解的精度均优于其它参与比较的算法。     

RBF神经网络的一种鲁棒学习算法

用定标鲁棒代价函数代替传统的二次型指标，并结合改进的遗传算法，搜索近最优径向基函数神经网络（ＲＢＦＮＮ）的结构和参数。实验结果表明该训练方法比其他方法具有更强的鲁棒性，可提高ＲＢＦＮＮ的泛化能力，自动消除数据中的噪声，再现训练数据中的潜在规律。     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

基于 HABC-RBF 神经网络的蒸汽驱预测方法

为解决蒸汽驱开发效果预测精度低和时间长的问题, 提出了一种改进人工蜂群算法和 RBF(Radial Basis Function)神经网络相融合的预测方法。 该方法应用种群最优解修改雇佣蜂解和观察蜂解的搜索方程, 借鉴差 分进化算法思想, 完成对种群最优解和个体搜索解随机扰动, 采用混合编码优化 RBF 神经网络参数。 以辽河 油田齐 40 块为例进行了试算, 结果表明, 该方法对蒸汽驱开发效果预测具有较好的非线性拟合能力和较高的 预测精度。     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

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。     

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.     

基于MPSO-RBF神经网络的切向刚度研究

为了能更快速、准确地计算在多影响因素下的机械结合面切向刚度,采用改进的粒子群算法优化径向基神经网络参数,实现了两个算法的有机结合。考虑结合面的材质、表面加工方法、表面粗糙度、结合面面压、介质等影响结合面切向刚度的因素,以实验参数作为样本,利用建立的模型进行了结合面切向刚度仿真,并对仿真结果与实验结果进行了对比分析。分析结果表明,模型预测精度可达92%以上。     

一种改进的神经网络集成法预测PMV指标

为解决大样本的PMV指标预测问题,采用基于模糊聚类的神经网络集成方法,将原始样本集模糊划分为多个相交子集,通过这些模糊子集训练神经网络得到预测个体,再对个体输出加权结合获得预测结果.在进行神经网络集成过程中,采用微粒群算法有效克服了聚类和常规神经网络训练容易陷入局部最优的缺点,总结出一种更加有效的神经网络集成方法.实验结果表明:基于微粒群的神经网络集成算法有较好的全局优化性能,其集成的神经网络系统能更准确地预测PMV指标.