基于蚁群聚类和裁剪方法的RBF神经网络优化算法

提出了一种基于蚁群聚类算法和裁剪方法的RBF神经网络优化算法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,提出一种新的聚类算法来确定RBF神经网络中基函数的位置;通过一种裁减的方法,除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元,以达到简化RBF神经网络结构的目的。对非线性函数进行逼近仿真,结果表明:优化算法有比较好的优化效果,而且,优化后的RBF神经网络的结构小,RBFNN的泛化能力得到了提高。     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

人工神经网络的电网故障诊断

电网发生故障后,为能迅速找出发生故障的元件,及时解决故障,提出了人工神经网络诊断方法。采用径向基神经网络(RBF)来进行故障诊断,其具有良好的最佳逼近和全局最优的性能,并对RBF隐含层的中心用K均值聚类算法进行优化,给出了仿真实验结果。仿真实验结果表明:与未优化的网络进行对比,经验证,两种方法均可用于电网的故障诊断。     

RBF神经网络的异丙苯氧化系统建模与仿真

针对径向基函数(RBF)神经网络隐含层节点中心难确定的问题,提出了一种RBF网络学习的新算法,将引入修剪技术的相减聚类算法(PTSC)和最近邻聚类算法相结合的算法,并对异丙苯氧化系统进行建模.仿真结果表明,该算法提高了网络的学习速度,有较强的泛化能力.     

基于免疫模糊聚类RBF网络的交通信息融合算法

在径向基函数(radial basis function,RBF)神经网络应用于交通信息融合的研究中,采用模糊C均值(fuzzy C-means,FCM)聚类算法确定径向基网络隐层中心点,一般随机初始化聚类中心,训练过程容易陷入局部极小.结合人工免疫系统的克隆选择原理,提出了一种新的产生初始聚类中心的方法,与FCM聚类算法有机集成,共同训练径向基函数网络的结构参数.该方法避免了网络训练陷入局部最优的问题,收敛速度有所提高,得到了较好的融合效果.实例仿真验证了算法的有效性和实用性.     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

基于全监督算法RBF神经网络的语音识别

利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

基于改进RAN算法的调制分类器

资源分配网络（RAN）算法可以在线训练径向基（RBF）神经网络,但算法中的网络隐层中心通常从零开始,容易受噪声和异常数据影响。文章提出一种改进RAN算法,将遗传算法（GA）对数据优化聚类后的中心点作为RAN算法的初始中心。仿真表明,基于改进算法设计的RBF调制分类器,结构简洁,识别准确率高。     

基于模糊聚类的RBF分类器的设计与实现

提出一种RBF网络设计方法,利用模糊c均值聚类算法确定径向基函数的数目、基函数中心及宽度,输出层权值由线性方程组确定.对uci数据集进行分类仿真实验,证明利用该方法设计的RBF网络分类效果良好.     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

人工智能在预测支持系统中的应用

提出一种新型预测支持系统,预测分析方法采用基于径向基函数的神经网络方法,所有预测支持系统的数据放在数据仓库,针对不同预测支持子系统,通过在线分析处理（OLAP）及数据开采,从数据仓库中提取综合数据和信息,作为预测输入样本,该方法用于酒店物部预测支持子系统,为部门主管提供预测信息,使其制定出合理的进货计划,保证了物品不短缺的同时也不积压,使宾馆管理系统高效,科学运作。     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．     

DE算法改进的炼焦能耗RBF预测模型

针对炼焦能耗计算繁琐、影响因素众多的问题,以目标火道温度、烟道吸力、水分、挥发分和炼焦时间为输入变量,以炼焦能耗为输出变量,提出基于差分进化算法改进的RBF预测模型。由于RBF网络存在学习能力差、收敛速度慢等多个缺点,针对性地改进了差分进化算法优化的能耗预测模型。利用具有强大全局搜索能力的差分进化算法,选择RBF网络中基函数的中心值、宽度和输出权重的计算最优值,以此作为RBF神经网络的中心值、宽度和输出权重。结果表明,改进后的RBF预测模型具有较高的精度、稳定性和训练速度,对降低炼焦能耗、提高焦炭产量和提高企业经济效益具有重要意义。