用神经网络进行雷达辐射源识别研究

为提高雷达辐射源识别系统的识别率，分析了BP神经网络、径向基神经网络和径向基概率神经网络等3种神经网络的结构和性能．用假设的10部雷达参数产生数据进行实验．仿真结果表明，应用径向基概率神经网络能大幅提高雷达辐射源识别的识别率，该网络在雷达辐射源识别中的分类性能明显优于其他2种神经网络．     

基于GA-RBF神经网络的光伏电池MPPT研究

讨论了光伏电池非线性输出特性,在此基础上,结合径向基函数神经网络的特点,提出了基于遗传算法优化的径向基函数神经网络方法,并将该方法用到了电池的最大功率点跟踪预测中。仿真及实验结果表明,与传统的径向基函数神经网络相比,该方法克服了网络参数选择的随机性,具有更高的精度和适应能力。     

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RBF网络的涡流无损检测系统设计

结合涡流无损检测的特点,介绍了基于RBF网络的涡流无损检测系统及系统软、硬件设计方法。硬件部分采用TI公司的DSP芯片TMS320VC5410作为核心,完成信号的产生及其处理。软件部分采用了基于RBF神经网络的涡流无损检测方法,且针对常用的RBF中心选择算法不能构成全局最优、收敛速度慢等缺点,提出采用基于改进Fisher中心选择算法确定RBF网络隐层节点数及径向基函数中心。仿真结果表明：利用DSP产生处理信号,得到的波形精度高、稳定性好;利用改进Fisher算法确定RBF隐层节点数及径向基函数中心简化了网络结构,提高了分类能力和收敛精度。     

基于OCA客观聚类的RBF神经网络的研究

影响RBF神经网络性能的关键因素是基函数中心的选取,而目前尚没有可靠的方法选取RBF神经网络的中心。基于GMDH理论的OCA客观聚类具有能够自动确定最优聚类个数的优点。将OCA聚类应用于RBF神经网络中,用以自适应确定隐节点数目和各径向基函数中心,克服了传统RBF网络不能客观确定隐节点数目的缺点。实验仿真结果表明,基于OCA客观聚类的RBF神经网络具有自适应性、正确率高和训练速度快的优点。     

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.     

一种基于径向基函数神经网络的语音降噪方法

采用径向基函数神经网络在时域上对含噪语音信号进行降噪处理．针对语音信号的短时平稳性以及噪声的随机性,对语音信号进行分帧预处理;用分帧后的纯净语音信号作为径向基函数网络的教师信号,并利用Matlab神经网络工具箱设计和训练网络．实验结果表明,径向基函数网络作为语音信号滤波器,可有效地抑制语音信号中的白噪声,具有良好的降噪性能．     

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 Cmeans,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．     

神经网络在手写体字符识别中的应用研究

总结了神经网络被用于手写体字符识别分类中的应用情况，分析了所采用的反向传播神经网络、径向基函数神经网络、自组织神经网络等网络模型及其最新的应用情况，详细介绍了神经网络集成的一些方法,并根据目前的研究现状，指出用于分类器设计的神经网络集成方法和理论研究是未来的重要研究课题.     

基于神经网络的油墨转移率预测

利用神经网络根据油墨转移率影响因素的数据来预测其具体数值. 通过对比径向基神经网络、Elman神经网络和BP神经网络最后选择径向基神经网络作为预测网络的模型. 根据各影响因素间的相互关联和各自对油墨转移率影响的大小关系确定影响油墨转移率的主要因素. 以主要影响因素为试验条件,运用正交试验法和均匀试验法合理设计分组试验,将试验结果作为神经网络的样本数据. 利用样本数据对网络进行训练,最终使网络能够预测出不同影响因素下油墨转移率的数值. 将径向基神经网络预测结果和Elman神经网络、BP神经网络的预测值对比分析,以此证明径向基神经网络的预测值具有较高的精确度.     

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.     

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。     

基于径向基函数神经网络的机载数字地图压缩方法

提出了一种基于径向基函数(RBF)神经网络的机载数字地图压缩方法，并给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此其泛化性大大增强。数字仿真表明该方法具有自动适应地形、参数配置合理、机载计算量小等特点。     

基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用

针对由于输油管道泄漏在生产生活中造成的诸多损失与危害,以吉林油田的一段长输管道为研究对象,利用小波包变换提取管道泄漏压力信号的特征向量,将得到的特征向量作为神经网络的输入,根据输出对管道的运行状态进行识别,再应用负压波定位法对泄露点进行定位。在此基础上,提出了一种基于遗传算法优化的RBF神经网络输油管道检测的方法。该方法把遗传算法应用于神经网络的参数确定中。实验结果表明,优化的RBF神经网络模型的误差为1%左右,提高了泄漏检测的精度与效率。     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

基于RBF的冗余机械手运动学逆解

针对冗余机械手运动学中存在的非线性、强耦合以及时变性的特点,采用了一种基于径向基函数(Radial Basic Function,RBF)网络的非线性拟合和系统辨识的方法,利用RBF神经网络的逼近能力较优、收敛速度快、非线性处理能力强等特点,可以有效地对冗余机械手的运动学逆问题进行求解;同时,运用遗传算法选取RBF网络...     

基于PSO—WNN的无刷直流电机转子位置检测方法

通过分析无刷直流电机间接位置检测原理,提出了一种新的方法来检测转子位置．该方法首先推导出转子位置可以通过以相磁通和相电流来决定,结合小波函数多尺度多分辨率的优点以及神经网络的非线性求解特点,通过构建小波神经网络模型,并采用粒子群算法来训练网络参数而得出转角位置．仿真结果表明该模型能有效地控制电机换相．     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

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。     

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。