优化的RBF神经网络实现FAIMS分离电压温度补偿研究

针对高场非对称波形离子迁移谱仪(FAIMS)分离电压温度漂移造成的其物性表征的不确定性问题,提出了一种采用径向基函数(RBF)神经网络对分离电压进行温度补偿的方法。为了提高算法的实时性,加快函数逼近速度,采用指数下降惯性权重(EDIW)动量因子策略对RBF神经网络参数进行了优化。在20～120℃的温度范围内对该算法及线性下降惯性权重(LDIW)动量因子策略优化的RBF神经网络和传统RBF神经网络等3种补偿算法进行对比。结果表明,指数下降惯性权重动量因子策略优化的RBF神经网络模型具有更少的迭代次数和更短的运算耗时,使分离电压很好地保证了对特定物质离子表征的唯一性,同时验证了该模型还具有较强的泛化能力。对分离电压采用温度补偿的方法也为实现迁移管无恒温控制提供了理论依据。     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于进化RBF网络的柴油机喷油参数研究

基于柴油机燃油喷射电子控制实时性的要求，引入非线性最优控制理论来确定RBFNN的参数，用全局优化算法－遗传算法来离线求解非线性优化问题，用递推最小二乘法（RLS）在线调整进化RBFNN的输出权值，增加系统的抗干扰能力。同时通过分析输入参数与输出参数的相关性来简化该神经网络。结果表明：冷却水温及润滑油温度与喷油参数的相关性最低，从输入参数中去除它们后的简化神经网络在更少的迭代次数下能达到同样的逼近效果。     

联合随机波束成形与迫零预编码的多波束选择

随机波束成形(RBF)在系统用户足够多时,具有与最优预编码方案相同的容量尺度,当系统用户少时,性能却下降严重。针对该问题,提出了联合RBF和迫零波束成形(ZFBF)的广播信道预编码方案。该方案利用RBF实现用户的初步调度,然后要求初选用户附加反馈量化的信道方向信息(CDI)和信道质量信息(CQI),在基站根据CDI和CQI反馈完成最终波束选择和ZFBF预编码。仿真结果表明,所提出的预编码方案,与现有的增强型RBF相比,在基本不增加上行链路反馈量的前提下,可明显提高系统和容量。     

基于局部RBF网络的复杂时间序列预测方法研究

针对复杂时间序列全局预测模型建模效率低、预测性能不佳等问题,提出一种基于局部RBF神经网络的新型预测模型.该模型采用K最近邻搜索方法得到待预测样本的K个近邻,用近邻样本进行RBF神经网络建模,用训练好的RBF神经网络对待预测样本进行预测.实验结果显示该模型在复杂时间序列预测上有良好的性能.     

基于RBF神经网络的水体污染物含量建模与预测

对水体中污染物含量进行预测具有十分重要的意义。将时间序列作为RBF神经网络的输入,对水体污染物含量的预测做了建模研究。实验结果表明,RBF神经网络的输出值与实际值之间的误差在可以接受的范围,因此在实际应用中,可以将RBF网络方法作为一种考虑采用的方法。     

RBF网络和小波相结合的数字音频零水印算法

利用RBF网络结构简单、非线性逼近能力强、收敛速度快的特点,提出一种RBF网络和小波变换相结合的数字音频零水印算法。本算法利用RBF网络,将原始音频信号小波低频系数作为RBF网络的输入,将水印信号作为目标,建立原始音频信号与水印信号的对应关系。该方法不改变原始音频信号感知质量,在抵抗各种常见攻击时所得归一化相关系数有较好的稳定性。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于径向基函数网络的宣城市空气质量预测

提出了一种应用人工神经网络进行空气质量预测的方法,即采用径向基函数神经网络进行短期的空气质量预测;并采用了主成分分析方法降低神经网络学习矩阵维数,浓缩预测信息,降维去噪.选取宣城市气象局2003年到2005年地面气象观测资料作为预测因子,宣城市环境保护监测中心提供的PM10、SO2浓度值作为预测对象,进行训练学习和预测验证.研究结果表明:将该方法应用于空气质量预测,效果良好,具有较强的实用性和推广能力.