基于自适应投影学习算法的径向基函数网络设计及应用

基于自适应投影原理,本文提出了构造和训练径向基函数网络的自适应投影学习算法,该算法能迭代地确定径向基函数的个数、中心的位置以及网络的权系数,从而提供了生成径向基函数网络的一个简单和有效的方法.通过应用于信道均衡器和时间序列预报信号处理领域中的两个例子,进一步证明了该算法是行之有效的.     

径向基函数神经网络的再学习算法及其应用

为了应用径向基函数神经网络逐步地识别待研究系统,文章针对径向基函数神经网络的再学习算法开展了深入的研究.应用严格的数学推理方法,将径向基函数神经网络的再学习问题转化为矩阵求逆的附加运算.详细给出了径向基函数神经网络再学习算法中增加新训练样本和增加新基函数的数学公式,同时对如何获取新的训练样本进行了研究.     

径向基函数神经网络的一种有效的在线学习方法

本文提出了一种径向基函数神经网络的有效在线学习方法。该学习方法不仅能根据输入信息的增加而动态地分配网络资源,而且能有效回收网络的冗余资源。在学习过程中网络的参数可以自适应地序贯进行调整。文中详细论述了这种神经网络的学习准则、动态增减隐节点算法和参数调整算法。同时通过分析和实验说明网络具有较强的映射能力和预测性能。     

基于RBF神经网络的自适应均衡器研究

在研究基于径向基函数(ＲＢＦ)神经网络的均衡器结构以及传统自适应均衡算法的基础上,提出了两种新的基于ＲＢＦ神经网络的自适应均衡器,并给出了相应的自适应均衡算法。新的均衡器是将判决反馈引入到ＲＢＦ神经网络中以及将Ａｄａｌｉｎｅ网络与ＲＢＦ网络有机的结合而分别构成的,仿真结果表明这两种新算法比基于ＲＢＦ神经网络的自适应均衡算法都具有更好的收敛性能。     

基于自适应结构的径向基神经网络模式识别

为了提高神经网络模式识别的泛化能力,运用梯度下降、扩展卡尔曼滤波、无先导卡尔曼滤波和一种基于遗传算法与扩展卡尔曼滤波组合的新方法,对径向基神经网络的中心节点和权重进行了优化,建立了自适应结构的径向基神经网络模型,实现了对 IRIS 数据集的识别。通过仿真实验,对基于不同算法的径向基神经网络,从逼近能力、输出误差、学习效率与识别精确度等方面进行了分析比较。本文方法具有很强的非线性处理能力和自适应能力及较快的学习速度。     

一种信号源个数估计的新方法

在常用的阵列测向算法中,一般认为信号源数是先验参数,当信号源数估计错误时,方位估计的性能会严重下降,甚至完全失效。文中引入径向基网络,将信号源估计问题转化为一个模式分类问题来解决,利用径向基函数神经网络结构简单、训练简洁且学习收敛速度快,能够逼近任意非线性函数的特点,最后给出了算法的实现方法、仿真结果以及与现有算法的性能比较。     

一种利用自组织映射和径向基函数神经网络的网络拥塞预测方法

文中提出了一种利用自组织映射（KSOM）和径向基函数（KR）神经网络进行网络拥塞预测的方法．目前的研究表明,预测网络拥塞还存在一些问题,尤其在数据集比较小的时候．因此,为了使网络拥塞问题预测精度高,在预测过程中有必要考虑原有的数据集中每个数据之间的关系．现在为了获得更多的有价值的位置信息,采取了一系列的措施去满足不同数据的情况,包括使用自组织映射神经网络和径向基函数神经网络算法．这一过程使网络能满足不同类型的数据．在本文网络拥塞预测中,采用同一原始数据集,分别对利用自组织映射和径向基函数神经网络的算法和另外两种算法的性能进行比较．实验结果表明,利用自组织映射和径向基函数神经网络的算法具有更好的效果．     

基于径向基函数神经网络的CDMA多用户检测方法

径向基函数神经网络是一种三层前馈性神经网络,它具有较强函数逼近能力和分类能力,学习速度快等优点.本文根据径向基函数神经网络的这些优点提出了一种基于径向基函数网络的CDMA多用户检测方法(RMD).计算机模拟表明我们所提的算法具有能克服多址干扰,抑制噪声干扰和对"远-近"问题不敏感等优点,这为研究CDMA多用户检测器开辟了一条新的途径。     

神经网络在自适应噪声抵消中的应用研究

本文将基于正交最小二乘的RBF神经网络算法引入自适应噪声对消中,提出一种基于最小二乘算法和径向基网络的自适应噪声抵消(adaptive filter based on least square algorithm and radial basis network,简称OLSRBFAF)算法。RBF网络因其具有良好的推广能力,简单的结构和快速的训练过程等诸多优点已被成功应用于很多领域。RBF神经网络中关键因素是基函数中心的选取,中心选取不当构造出来的RBF网络的性能一般不能令人满意。利用正交最小二乘(orthogonal least squares,简称OLS)算法选取RBF网络中心,解决了径向基函数网络构造这一关键问题。并由于OLS算法中采用了最小二乘(least-square,简称LS)准则,其对时变信道具有快速跟踪的能力。利用MATLAB仿真结果分析可知,通过将两种算法结合引入自适应噪声抵消系统,使该系统具有误差更小,消除噪声能力更强的优点。     

改进的径向基函数神经网络及其应用

本文基于不同扩展中心的径向基函数神经网络（RBF）,提出了一个性能函数用于表示每个输入神经元对于网络输出精度影响的重要性,并据此对输入神经元进行自适应删减,将此方法应用于时间序列预测中,可自适应地选取最佳嵌入维数和时间延迟。对于股指预测的实验表明改进的RBF神经网络比未改进的RBF神经网络有更高的预测精度。     

基于HBF神经网络的自适应观测器

传统的RBF(Radial Basis Function)神经元基函数通常把高斯类型与单一宽度作为每个神经元的激活函数,这些特性限制了网络神经元的性能,特别是在处理复杂的非线性建模问题上.为了克服这个限制,本文应用了具有类似RBF网络,但激活函数不同-超基函数HBF(Hyper Basis Function)的网络.结合RBF网络,分析了HBF网络的结构、基函数形式及基函数对网络的影响,利用决策树算法计算了网络中心.在此基础上,提出了一种基于HBF神经网络的自适应观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的稳定性;最后通过仿真验证了这种HBF神经网络观测器能很好地观测系统的状态值.     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于递归正交最小二乘的径向基函数网络人脸识别

本文提出了一种基于递归正交最小二乘的径向基函数(RBF)网络人脸识别算法,该算法首先使用主成分分析(PCA)提取输入图像特征,将提取的特征作为RBF网络的输入进行识别,在求取网络权值时采用递归正交最小二乘(ROLS)算法。实验表明,该算法能明显地缩短训练时间同时具有较高的识别率。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。     

基于自适应粒子群优化的RBF毫米波信道建模研究

基于毫米波室内无线信道测量数据,将机器学习(machine learning,ML)中的径向基函数(radial basis function,RBF)方法应用于毫米波信道建模中,建立了基于自适应粒子群优化 (adaptive particle swarm optimization, APSO)的RBF神经网络信道参数预测模型,并与传统RBF算法的预测结果进行了比较. 利用APSO-RBF模型对信道大尺度参数（large-scale channel parameter,LSCP）如路径损耗(path loss, PL)、时延扩展(delay spread, DS)等数据的特征进行了学习和预测. 结果表明,APSO-RBF模型信道参数的预测值与实际测量值非常吻合,均方根误差(root-mean-square error,RMSE)较小,且预测曲线与原始测量值曲线的拟合度较好,该算法的学习性能和预测效果均优于传统RBF算法. 另外,APSO-RBF模型在数据量波动较大的情况下对信道参数的变化有着良好的适应性,对5G毫米波信道参数可以取得较好的预测效果.     

Environment-adaptation mobile radio propagation prediction usingradial basis function neural networks

This paper investigates the application of a radial basis function (RBF) neural network to the prediction of field strength based on topographical and morphographical data. The RBF neural network is a two-layer localized receptive field network whose output nodes from a combination of radial activation functions computed by the hidden layer nodes. Appropriate centers and connection weights in the RBF network lead to a network that is capable of forming the best approximation to any continuous nonlinear mapping up to an arbitrary resolution. Such an approximation introduces best nonlinear approximation capability into the prediction model in order to accurately predict propagation loss over an arbitrary environment based on adaptive learning from measurement data. The adaptive learning employs hybrid competitive and recursive least squares algorithms. The unsupervised competitive algorithm adjusts the centers while the recursive least squares (RLS) algorithm estimates the connection weights. Because these two learning rules are both linear, rapid convergence is guaranteed. This hybrid algorithm significantly enhances the real-time or adaptive capability of the RBF-based prediction model. The applications to Okumura's (1968) data are included to demonstrate the effectiveness of the RBF neural network approach     

贴片机X/Y轴快速高精度定位的实现

负载惯量和外界干扰是影响贴片机X,Y轴快速高精度定位的两个关键因素。本文针对负载惯量和外界干扰对控制性能的影响,提出了基于RBF神经网络的自适应滑模控制算法。利用RBF神经网络的万能逼近特性实现对外加干扰和被控对象模型信息的逼近,运用自适应控制算法计算前馈补偿量以补偿负载惯量和摩擦力对运动性能的影响,采用滑模控制算法以抑制其他不确定干扰对运动控制的影响。通过仿真分析可以得出,所采用的控制算法能够有效地补偿负载惯量和外界干扰对定位性能的影响,从而实现贴片机X,Y轴的快速高精度定位。     

Neural network techniques for adaptive multiuser demodulation

Adaptive methods for performing multiuser demodulation in a direct-sequence spread-spectrum multiple-access (DS/SSMA) communication environment are investigated. In this scenario, the noise is characterized as being the sum of the interfering users' signals and additive Gaussian noise. The optimal receiver for DS/SSMA systems has a complexity that is exponential in the number of users. This prohibitive complexity has spawned the area of research on suboptimal receivers with moderate complexity. Adaptive algorithms for detection allow for reception when the communication environment is either unknown or changing. Motivated by previous work with radial basis functions (RBF's) for performing equalization, RBF networks that operate with knowledge of only a subset of the system parameters are studied. Although this form of detection has been previously studied (group detection) when the system parameters are known, in this work, neural network techniques are employed to adaptively determine unknown system parameters. This approach is further bolstered by the fact that the optimal detector in the synchronous case can be implemented by a RBF network when all of the system parameters are known. The RBF network's performance (with estimated parameters) is compared with the optimal synchronous detector, the decorrelating detector and the single layer perceptron detector. Clustering techniques and adaptive least mean squares methods are investigated to determine the unknown system parameters. This work shows that the adaptive radial basis function network attains near optimal performance and is robust in realistic communication environments     

面向癫痫脑电图信号识别的径向基最小最大概率分类树

脑电图(EEG)信号检测和识别是癫痫病的重要诊断手段。径向基函数神经网络具有出色的逼近能力和泛化性能,能直接识别出不同状态的脑电信号,但其透明性和可解释性差,忽视了不同类别数据间可分性的不同。对此,该文提出一种基于径向基函数神经网络和最小最大概率决策技术的分类树,采用一对一策略和排除法,更多考虑了类间可分性的不同。针对脑电信号识别的实验表明,所提方法结构清晰,分类能力强,可解释性更好。