基于径向基函数的3D散乱数据插值多尺度方法

提出一种新的用径向基函数插值3D散乱数据的多尺度方法. 对于给定分布在曲面上的散乱数据点, 首先通过空间划分形成一个粗糙到完美的分层点集; 对于给定的控制误差, 先在粗糙层对点集进行插值, 再对每个分层上的点集进行插值,  将其作为对前一层得到的插值函数的弥补. 数值试验结果表明, 该方法可以利用较少的采样点达到较高的逼近精度, 并且算法比较容易实现.     

基于径向Hermite基函数的散乱数据隐式拟合

提出一种新方法拟合给定的散乱数据点集,该方法只需利用散乱数据点的法矢信息,而无需求解方程组,且不需要额外的内、外部约束点.对于给定的三维散乱数据点和相应的法向量,新方法可以产生一个隐式函数,其零水平集插值给定散乱数据点和相应的法向量.     

径向基函数神经网络在地下水位预报中的应用

本文在介绍径向基函数神经网络原理的基础上,研究径向基函数神经网络模型在地下水位预报中的应用,以吉林西部地区为例,应用其1990-2012年的月平均地下水位数据,建立径向基函数神经网络模型。为进一步证明预报结果的准确性,把预报结果与自回归模型的预报结果进行比较。结果表明:径向基函数神经网络模型能很好地进行地下水位预报,同自回归模型相比,径向基函数神经网络模型预报的精度更高,预报结果更具有准确性。     

径向基函数神经网络在精馏塔软测量中的应用

精馏塔是化工过程中最常用的操作单元，具有银强的线性和时变性，故很难进行机理建模分析或常规在线实时控制，因而提出一种基于径向基函数神经网络的优化控制方案。通过利用径向基函数神经网络建立精馏塔产品质量的软测量模型，将软测量结果与现场数据比较，表明本模型具有比较准确的跟踪显示效果，并将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中。     

基于径向基函数神经网络的语音识别

提出一种基于径向基函数神经网络的改进聚类方法,并将此改进的神经网络应用于语音识别领域,建立一个非特定人的孤立词语音识别系统.此聚类方法采取有监督的学习方式,将训练样本的形心作为隐节点的质心,训练样本的分类数作为隐节点的个数.利用该方法对小词表汉语孤立词进行语音识别.结果表明,采用此算法的径向基函数的神经网络具有更好的分类能力,训练速度和识别率均优于传统的径向基函数网络.     

改进的径向基插值方法在船型优化中的应用

船体曲面变形是实现船型优化的前提条件,基于径向基函数插值的曲面变形方法适合于船型水动力性能优化的需要.文中主要对径向基插值中的支撑半径求取方法进行了改进,提出了支撑半径的动态求取方法,重点考虑了可变点的分布和坐标变化量对支撑半径的影响.在此基础上,将改进的径向基插值方法运用到本团队开发的船舶水动力性能多学科综合优化平台...     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。     

基于径向基函数神经网络的工程造价估算

提出了一种更有效的前向网络——径向基函数(RBF)神经网络,以多、高层办公楼为例,建立了工程造价的估算模型,运用MATLAB语言程序实现,同时采用同样的样本对BP网络进行训练,两者结果比较表明,这种方法弥补了BP网络存在的收敛速度慢,易陷入局部最优等缺陷,从而大大提高了其实用性,是对造价估算方式的又一新的尝试。     

径向基函数神经网络在超宽带探地雷达目标材质识别中的应用

基于探地雷达回波信号进行处理以识别地下埋设的目标,始终是困扰雷达应用的关键,根据数据时间轴截断抑制直达波,利用宽相关处理进行信号滤波和典型数据自动提取,提高回波信号的信噪比.针对提取的典型道数据运用Welch功率谱处理,得到的特征数据归一化处理后作为径向基函数神经网络的输入,实现对地下埋设目标材质的自动识别与分类.在此基础上,分析了不同截断点对目标材质识别结果的影响.实测数据处理表明,本方法可以有效地实现对Fe、Al与土壤的识别和分类.     

基于径向基函数神经网络的入侵检测系统模型

通过分析当前运用较多的入侵检测模型的缺陷,提出了一种基于径向基函数(Radial Basic Functions)神经网络的入侵检测系统模型。该模型既克服了传统的基于规则库的入侵检测系统所存在的管理问题,又克服了传统的系统仅能判断入侵行为是否异常,而不能识别入侵行为属于哪种类型的缺陷,从而使系统能够达到实时监测网络及主机状态,来防范不可预知性入侵。该模型具有良好的易用性和可扩展性,是一种开发安全管理系统的有效手段。     

基于径向基函数神经网络的海南省社会经济数据分析

本文提出了基于径向基函数神经网络的预测方法,综合分析了近年来海南省经济数据的特点,考虑了决策变量之间的耦合和不确定关系,并解释了变量构建决策因子矩阵,同时将预测函数作为目标矩阵,使用神经网络方法训练权重,仿真结果证明:分析可行有效,可对经济走向做出合理的预测.     

一种散乱点双三次多项式自然样条插值

 考虑对空间散乱点的一种双三次多项式样条插值, 使得插值函数对x与对y的二阶偏导数平方积分极小(带自然边界条件)。用希氏空间样条方法,得出其解可表为一个双一次多项式与分片双三次多项式之和。它的系数能够用线性代数方程组确定,方程组系数矩阵对称,可用改进的平方根法解。例子表明方法简单,效果良好。     

基于余弦函数的神经网络硬件实现

研究了正交余弦基函数神经网络模型和学习算法, 给出了仿真实例, 并提出了余弦函数基神经网络模型电路实现方案.仿真结果表明,该网络学习收敛速度快,可任意逼近非线性映射等优异性能. 此外,网络结构简单,便于电路实现, 一个余弦波振荡源经倍频即可实现隐层神经元电路.     

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．     

基于RBFNN的强化学习在机器人导航中的应用

在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。     

基于权值直接确定的任意基函数神经网络建模

以生物学和逼近论为理论基础,将任意一组线性无关的基函数作为各隐含神经元的激励函数,结合网络权值直接确定法建立了一个新的神经网络模型.仿真实验表明,该网络权值一步确定,收敛速度快,非线性逼近效果好.     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。