激活函数可调的RBF神经网络模型

RBF神经网络是一种新颖的前馈神经网络,相比传统的BP神经网络具有更强的函数逼近、分类能力,以及更快的学习速度.在实际应用和科学研究中,不同径向基函数的选择对RBF神经网络的性能有很大的影响,一般是根据经验或者实验效果来选择适当的径向基函数.本文提出一种激活函数可调的RBF神经网络模型,将具有不同表达能力的径向基函数通过线性组合的形式形成新的神经元激活函数,进而提高神经网络的逼近精度和泛化能力,对于有监督学习,给出了相应的各参数的训练算法和应用举例.     

并联混合神经网络模型及应用研究

单一神经网络难以对复杂模型做出准确的预测,提出了一种并联型混合神经网络模型用于对复杂的系统进行预测,该模型由径向基函数网络、BP网络和控制模块组成。控制模块用于线性映射层,将两种单一神经网络的输出结合并得到最终的输出结果。详细地给出了混合模型的预测方法：首先,利用改进算法分别训练径向基函数网络和BP网络;其次,采用自适应遗传算法优化线性映射层以获得更好的预测精度;最后,利用两个实例比较单一神经网络和提出的混合网络的预测性能。实验表明,混合神经网络在预测精度上比单一网络具有更优的性能,同时,该混合模型为复杂系统提供了一种通用的预测工具。     

基于蚁群径向基函数网络的地下水预测模型

提出了一种基于蚁群算法的径向基函数神经网络,用它来进行地下水位预测,既具有神经网络广泛映射能力,又具有蚁群算法全局寻优、分布式计算等特点。实验表明,蚁群算法与径向基函数神经网络相融合能达到良好的预测效果。     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷.采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标.同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题.最后将该算法应用到某地区电力负荷预测取得理想效果.     

基于广义径向基函数的神经网络分类预测

径向基函数网络是神经网络中一种广泛使用的设计方法.它把神经网络的设计看作是一个高维空间的曲线逼近问题.相对于其他的神经网络方法.径向基函数神经网络除了具有一般神经网络的优点,如多维非线性映射能力、泛化能力、并行信息处理能力等,还具有很强的聚类分析能力,学习算法简单方便等优点.针对一个实际分类问题,利用广义径向基函数网络的思想训练一个网络并实现对测试数据集的分类预测.本算法采用k-均值聚类算法训练广义径向基函数网络中心,使用奇异值分解计算输出层权值.对该网络的实现细节及待改进之处进行简要分析.实验表明广义径向基函数神经网络的思想具有很强的聚类分析能力,学习算法简单方便等优点.     

径向基函数网络光度法用于多组分分析

对神经网络在多组分光度分析法中的应用进行了研究。应用径向基函数网络和BP网络 ,采用紫外光度法同时分析了色氨酸、酪氨酸和苯丙氨酸三元组分 ;采用速差动力学光度法同时分析了铜、锌、铁混合组分。实验证明 ,径向基函数网络在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。     

改进的径向基函数神经网络预测模型

在提高网络传输性能的研究中,径向基函数神经网络(RBF网络)的基函数个数、中心及宽度的确定一直是难解决的问题,为提高RBF网络泛化能力是当前一个重要的研究问题.分析了传统RBF网络工作原理及不足,提出了改进.采用梯度下降法训练径向基函数中心和宽度,提高网络泛化性能.改进最优停止训练算法,使算法效率提高,且避免过拟合现象,最终使RBF网络获得更优的泛化能力.用改进的RBF网络对iris及wine数据集建立预测模型,进行仿真.结果表明,梯度下降方法训练出更优的基函数参数,改进的最优停止训练方法缩短了训练时间、提高预测精度,网络泛化能力有明显提高.     

基于径向基函数蛋白质二级结构预测方法

文章针对蛋白质二级结构预测这一复杂非线性模式分类问题,提出了基于径向基函数的预测方法。在分析了基于神经网络预测方法的基础上,讨论了蛋白质二级结构预测算法研究中的数据选取、网络结构与参数对网络性能的影响,实验结果表明这一方法的可行性和有效性。     

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.     

改进的径向基函数网络的研究及应用

针对径向基函数网络和传统遗传算法的一些不足,提出引入一种自适应机制的浮点数编码的遗传算法,并将其与梯度下降法混合交互运算,作为径向基函数网络的学习算法,形成了基于改进遗传算法的径向基函数网络,它克服了径向基函数网络的学习算法上的缺陷。采用改进的遗传算法,无需计算梯度等,限制很少,还可用模型的预测性能作为优化目标。同时,也解决了单独利用遗传算法往往只能在短时间内寻找到接近全局最优解的近似解这一问题。最后将该算法应用到某地区电力负荷预测取得理想效果。     

基于EMRBF情感神经网络的人脸识别

在现有RBF神经网络基础上引入情感因子,提出了一种情感径向基神经网络（EMRBF）,给出了EMRBF的结构,定义了新的训练准则函数,推导出了EMRBF网络权值训练算法,把EMRBF网络用于人脸识别系统。先采用PCA和LDA相结合进行人脸特征提取．然后设计EMRBF人脸分类器。在ORL人脸库上的实验结果表明,EMRBF网络的识别率达到98％,与普通RBF神经网络相比,性能明显提高。     

具有多类型激活函数的RBF网络设计

提出多类型激活函数的径向基网络结构设计方式,网络隐层由薄板样条函数节点和高斯函数节点构成,分别采用改进的粒子群算法和前向局部优化算法对两种类型节点的参数进行学习.改进的粒子群算法综合运用粒子运动过程的启发式信息和样本的梯度信息进行种群迭代,减小了陷入局部极值的概率.前向局部优化算法是一种高斯节点的序贯学习算法,算法采用DFP方法对新增高斯节点的参数进行局部优化,提高了网络的逼近性能.通过解析和工程算例验证了多类型激活函数RBF网络的高拟合能力及其学习算法的有效性.     

基于神经元特性的径向基函数神经网络自组织设计方法

针对径向基神经函数(RBF)网络隐层结构难以确定的问题, 本文介绍了一种基于神经元特性的RBF神经网 络自组织设计方法, 该方法将神经元的激活活性、显著性、相关性相结合设计RBF(ASC–RBF)神经网络. 首先利用 神经元的激活活性, 实现隐含层神经元的自适应增加, 结合神经元的显著性以及神经元之间的相关性, 实现神经元 的自适应替换和合并, 完成网络自组织设计并提高网络的紧凑性, 然后利用二阶梯度算法对网络参数进行修正学 习, 保证了RBF网络的精度; 另外, 针对网络结构自组织机制给出了稳定性分析; 最后通过两个基准非线性系统建模 仿真实验以及实际污水处理过程水质参数预测实验验证, 证明该算法的有效性. 对比实验结果表明, ASC–RBF神经 网络与现有的自组织网络相比, 在保证泛化性能的同时, 该网络的训练速度更快, 而且有更紧凑的网络结构.     

基于径向基函数神经网络的机器人系统辨识

介绍了一种三层径向基函数神经网络,其学习算法采用正交最小二乘算法.首先根据正交最小二乘算法得到径向基函数神经网络的结构;然后对该网络的权值进行训练使它逼近给定的函数.为了验证径向基函数神经网络所具有的对任意非线性映射的任意逼近能力和自学习、自适应能力,以两关节机械手为辨识对象来进行实验研究.实验结果表明,该径向基函数神经网络具有良好的模型学习和逼近能力,并且学习速度快、收敛性好、鲁棒性强,尤其适合于具有连续线性与非线性对象的复杂系统的控制实时性要求.     

基于人工神经网络的消防服热防护性能检测数据预测

论文提出运用径向基函数(RBF)神经网络算法,对消防服热防护性能(TPP)检测系统的测试数据进行智能预测.经过数字仿真实验,基本实现以较高精度预测二度烧伤时刻,验证了这种算法对系统的热通量变化进行预测是可行的,为进一步开展消防服整体热防护性能的研究奠定了技术基础.     

一种无线传感网络能效性自适应稀疏测量方法

无线传感网络中无线传感节点由电池供电,能量有限.而无线传感网络目标跟踪应用中,只有部分传感节点需要执行测量任务,测量过程具有稀疏性.针对以上特性,这里提出一种新的基于声音信号的能量有效的自适应稀疏测量方法.采用径向基函数神经网络改进粒子滤波算法,对目标进行定位跟踪,提高目标跟踪精度;采用马氏距离作为判据进行网络测量节点选择;根据估计目标状态,推导预测定位精度,并利用预测定位精度设计自适应测量方法.实验结果显示,采用径向基函数神经网络改进粒子滤波算法,提高了目标定位精度和跟踪过程稳定性,自适应稀疏测量方法能有效节省网络能耗.     

高维数据中鲁棒激活函数的极端学习机及线性降维

极端学习机(extreme learning machine,ELM)训练速度快、分类率高,已经广泛应用于人脸识别等实际问题中,并取得了较好的效果.但实际问题中的数据往往维数较高,且经常带有噪声及离群点,降低了ELM算法的分类率.这主要是由于:1)输入样本维数过高;2)激活函数选取不当.以上两点使激活函数的输出值趋于零,最终降低了ELM算法的性能.针对第1个问题,提出一种鲁棒的线性降维方法(RAF-global embedding,RAF-GE)预处理高维数据,再通过ELM算法对数据进行分类;而对第2个问题,深入分析不同激活函数的性质,提出一种鲁棒激活函数(robust activation function,RAF),该激活函数可尽量避免激活函数的输出值趋于零,提升RAF-GE及ELM算法的性能.实验证实人脸识别方法的性能普遍优于使用其他激活函数的对比方法.     

基于QPSO—RBF NN的混沌时间序列预测*

提出一种基于量子粒子群优化算法训练径向基函数神经网络进行混沌时间序列预测的新方法.在确定径向基函数网络的隐层节点数后,将相应网络的参数,包括隐层基函数中心、扩展常数,以及输出权值和偏移编码成学习算法中的粒子个体,在全局空间中搜索具有最优适应值的参数向量.实例仿真证实了该方法的有效性.     

一种基于Gaussian函数的双向选择径向基函数神经网络算法

径向基函数神经网络是一类重要的神经网络算法。本文对现有的径向基函数神经网络算法进行了总结分析，将现有算法分为前向选择和后向选择两类。在分析各自优缺点的基础上从提高神经网络泛化能力的角度提出了一种新的基于Gaussian函数的双向选择径向基函数神经网络算法——BSRBF，从数理角度研究了神经元选择的基本技术方法，并对算法的基本思想和具体步骤进行了阐述。最后，用一个实验对比验证了双向选择算法的有效性。     

改进PSO优化RBF的网络安全态势预测研究

针对网络安全态势预测,为了提高预测精度和预测算法的收敛速度,采用一种改进的粒子群算法(PSO)来优化径向基函数(RBF)神经网络.首先,PSO的惯性权重因子按一条开口向左的抛物线递减,在保证全局寻优的同时又增强了局部搜索能力;其次,通过权重因子的调节自动寻优,并将搜寻到的全局最优值解码成RBF的网络参数;最后,通过优化的RBF网络进行网络安全态势预测.仿真实验表明,改进后的算法能较准确地预测网络安全态势.与BP算法和RBF算法相比,本文算法在预测精度上有所提高,同时收敛速度加快,能达到更好的预测效果.