RBF神经网络在转炉提钒预报中的应用

该文用RBF神经网络建立了转炉提钒冷却剂预报模型。RBF网络的中心的选取采用了可以在线学习的最近邻聚类算法。为了进一步优化网络中心，提出了基于密度排名的最近邻聚类算法。该算法聚类前先将样本按其在样本空间的密度进行了排序，聚类过程始于样本空间最密集处。实践证明，该算法应用于提钒冷却剂预报模型的建立是合理的，可行的。     

基于二分搜索密度峰算法的RBFNN在月降水预报中的应用

针对径向基函数(RBF）网络结构和初始数据中心难以客观确定的不足，采用二分搜索密度峰值聚类算法（TSDPCA）找到数据中心值及数据簇类个数作为RBF神经网络的初始参数和隐藏层节点数，再利用梯度下降法优化RBFNN结构及各个参数建立预报模型，并应用于广西月降水预报中，以检验该模型的有效性。结果表明，与K-RBFNN和OLS-RBFNN的模型相比，TSDPCA-RBFNN预报平均相对误差值下降了10%~35%，具有更好的预报性能。     

基于动态K均值的RBF神经网络日降水预报模型

针对优化径向基函数神经网络的各参数问题,提出一种动态K均值混合优化RBF神经网络并应用于广西降水数据进行建立预报模型,该模型与传统的K均值RBF模型和同期的T213降水预报进行对比,结果表明。该模型建立的5月3个区域的逐日降水预报,预测的精确度明显高于同期的T213降水预报。     

基于粒子群优化的RBF神经网络模型研究

在本文中,提出了采用粒子群算法来优化RBF神经网络,并建立了这种新的混合模型。在这个粒子群和RBF神经网络的混合模型中,粒子群优化算法应用于选择中心节点和隐藏节点的宽度以及输出向量方面,对RBF神经网络建立了5个输入节点,6个隐藏节点和一个输出节点。通过对粒子群优化的RBF神经网络模型对一些地区的结核病发病趋势进行预测,得出这种混合模型对结核病发展趋势进行预测能够取得较好的预测结果。     

基于RBF-AR的船舶变形极短期预报

统一空间基准是海上作战平台实现精准探测打击的重要保证,而船体角变形的存在将严重影响空间基准的建立。针对这一问题,提出一种基于状态相依自回归（state-dependent auto-regressive, SD-AR）与径向基（radial basis function, RBF）神经网络的极短期变形预报方法,实现船体角形变的实时预报,为后续角变形的补偿提供依据。不同于传统的时间序列预报方法,该模型用一组RBF网络来逼近SD-AR模型中的函数系数,并采用一种结构化的非线性参数优化方法（structured nonlinear parameter optimization method, SNPOM）辨识该模型。基于该RBF-AR预报模型,给出了船舶变形预报算法设计并进行了仿真实验。实验结果表明,该方法在船体变形预测精度上优于传统时间序列预测方法,具有较好的应用前景。     

基于径向基函数神经网络的网络流量识别模型

提出了一种基于径向基函数神经网络的网络流量识别方法。根据实际网络中的流量数据,建立了一个基于RBF神经网络的流量识别模型。先介绍了RBF神经网络的结构设计及学习算法,针对RBF神经网络在隐节点过多的情况下算法过于复杂的缺点,采用了优化的算法计算隐含层节点。仿真实验证明,该模型具有较好的准确率、低复杂度、高识别效果和良好的自适应性。     

基于RBF神经网络的射频功放行为模型研究

为了设计和优化高线性功率放大器和通信子系统,在系统级仿真中,构建功率放大器精确的行为模型是极为重要的。应用实际功率放大器晶体管测试板,通过ADS（Advanced Design System）仿真得到大量功放输入输出数据,建立了一个基于RBF（Radial Basis Function）神经网络的行为模型,给出了RBF 神经网络的结构设计及K-均值聚类算法和共轭梯度优化算法,并进行了模型检验。结果表明,基于RBF神经网络的功放行为模型具有较高的精度,相对于BP 神经网络模型具有更高的逼近能力和速度。     

基于混合递阶遗传神经网络的转炉温度预报

针对转炉控制中对吹炼终点温度的控制问题,提出了基于混合递阶遗传RBF神经网络(HGA-RBF)的转炉炼钢终点温度预报模型.研究了RBF网络的特点,用递阶遗传算法克服了网络的结构和参数选择的随机性问题;并结合最小二乘法,提高了收敛速度.仿真结果表明,此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度.某钢铁公司提供的实际冶炼数据试验,也证明了该模型预报精度较高,对提高生产的质量有重要意义.     

基于神经网络的铁水KR脱硫预报模型

将神经网络理论应用于铁水脱硫过程,研究工艺参数与其影响因子之间的关系,建立预报模型,为生产过程中工艺参数(搅拌时间、搅拌次数和加入剂量)的设定选择提供准确的预报。研究分析表明,该预报模型可以应用于实际生产,提高铁水的脱硫成功的命中率,降低铁水的脱硫成本。     

基于混合递阶遗传神经网络的转炉温度预报

针对转炉控制中对吹炼终点温度的控制问题，提出了基于混合递阶遗传RBF神经网络（HGA-RBF）的转炉炼钢终点温度预报模型。研究了RBF网络的特点，用递阶遗传算法克服了网络的结构和参数选择的随机性问题；并结合最小二乘法，提高了收敛速度。仿真结果表明，此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度。某钢铁公司提供的实际冶炼数据试验。也证明了该模型预报精度较高，对提高生产的质量有重要意义。     

基于神经网络的矿用红外瓦斯传感器检测模型的研究

文章简要介绍了瓦斯红外检测原理,指出了传统吸收型模型的不足,基于RBF神经网络的非线性逼近能力建立了一种红外瓦斯传感器检测模型,给出了RBF神经网络的组织,并对RBF神经网络进行了训练,得到了红外瓦斯传感器检测模型的RBF神经网络结构。实验结果表明,该模型误差小、精度高,可满足煤矿井下应用的需要。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

Affine modeling of nonlinear multivariable processes using a new adaptive neural network-based approach

This paper presents a new method for on-line identification of exact affine model for multivariable processes with nonlinear and time-varying behaviors. A self-generating radial basis function (RBF) neural network trained by growing and pruning algorithm for RBF (GAP–RBF) is utilized for deriving the affine model. The extended Kalman filter (EKF) is used for parameter adaptation in the GAP–RBF neural network. The growing and pruning criteria of the original GAP–RBF have been modified with the objective to enhance its performance in on-line identification. Simulation results on two nonlinear multivariable CSTR benchmark problems show an excellent performance of the proposed approach, incorporated with the modified GAP–RBF (MGAP–RBF) neural network, for affine modeling.     

改进的RBFNN在运动员竞技状态预测中的应用

提出了一种改进的径向基函数(RBF)神经网络,该神经网络以模糊系统模型为基础。首先利用减法聚类算法确定径向基函数的中心数,然后通过模糊C均值聚类算法优化基函数中心与宽度,最后依据样本数据的聚类结果设计RBF神经网络并进行训练。将该神经网络应用于网球队运动员的竞技状态的预测。仿真结果表明:该算法先进有效、具有较高的精度,用其建立的模型具有较强的实用性。