自适应RBF-LBF串联神经网络结构与参数优化方法

研究了前向单层径基函数(RBF)网络和前向单层线性基本函数(LBF)网络的分类机理，提出了RBF的中心和宽度应通过学习自动确定，在学习过程中根据错分样本被错分入的类别自动生成新的核函数这一观点．如果两个或两个以上核函数属于同一类，在输入空间相距较近且未被其它类别的样本分隔开来的情况下，则应考虑将之合并，或者使它们的作用区域部分重叠．从理论上阐明了采用Sigmoid活化函数的单层感知器的分类阈值为0．5，进而提出了由单层RBF网络和单层感知器组成的串联RBF—LBF神经网络．文中详细给出了确定该串联RBF—LBF神经网络结构、核函数个数、位置与宽度的优化算法．一般来说，该算法的计算复杂性比前向单隐层感知器采用的误差反传算法要小或至少相当．对几个经典的模式分类难题的处理结果表明，与一般RBF网络和前向单隐层感知器网络相比，该串联RBF—LBF网络及其自适应学习算法具有收敛速度快，分类精度高，易于得到最小结构，在学习过程中不易陷入局部极小点等优点，有利于实现实时分析．实验结果同时也验证了单层LBF网络对提高RBF—LBF网络分类正确率的重要性．     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

运用PSO算法的自递归RBF网络建模与应用

普通三层RBF网络已经是一种较好的神经网络，为了进一步提高RBF网络的性能，在普通三层RBF网络的基础上，构建出一种运用PSO算法的自递归RBF网络。学习算法采用以梯度学习算法配合PSO算法对参数进行调整。与采用动量-梯度学习算法，且为结构为三层的RBF网络相比，提的运用PSO算法的自递归RBF网络可以在神经元较少的情况下，具有更好的泛化能力、鲁棒性和准确性。最后通过仿真实验，对算法的有效性进行了验证。     

基于动态自适应RBF网络的元音识别研究

鉴于BP网络训练时间过长，且易于陷入局部最优解，本文采用RBF网络来实现元音字母的语音识别。RBF网络的构造通过一种动态自适应聚类算法来完成，使得RBF网络具有在线学习能力。示例计算结果表明，这种RBF网络具有比BP网络和贝叶斯分类器更好的分类精度。     

带优选聚类算法的 RBF 网络辨识器及应用

以RBF神经网络为模型框架，解决非线性系统的辨识问题。针对RBF网络的结构辨识问题，提出一种优选聚类算法，并用该算法，依据输入样本优选确定RBF神经网络的隐含层节点个数，采用新型二阶递推学习算法估计RBF网络中的参数和权值。上述混合算法，同时解决了RBF网络结构和参数辨识问题，大大提高了RBF网络的建模和预测精度。应用实例表明了所提出方案的有效性。     

一种基于属性重要性的粗糙RBF神经网络

提出一种基于属性重要性的粗糙RBF神经网络模型。该模型不仅具有明确的生物意义和物理意义，而且简化了拓扑结构。减少了运算量和成本．实际应用结果表明。这种粗糙RBF神经网络在油水层识别中效果显著，其学习训练速度和拟合精度远优于传统的RBF网络算法．     

一种径向基函数神经网络在线训练算法及其在非线性控制中的应用

针对现有径向基函数(RBF)神经网络训练算法存在的问题,给出了RBF神经网络的一种 在线训练算法,对这种在线训练算法所涉及到的各个方面进行了全面的分析．仿真表明所提 出的算法是非常有效的,它克服了以往算法的不足并具有很大的实用性．进一步将RBF神 经网络用于非线性控制,取得了良好的结果．     

基于免疫RBF网络的雷达信号分类识别

采用了以免疫RBF网络为子网络的神经网络阵列实现了对雷达信号体制和用途的分类识别。免疫RBF网络采用全局搜索的优化方式，克服了传统算法的固有缺陷，在收敛速度和性能上都有较大的提高；通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围。采用神经网络阵列有效地解决了单个神经网络在雷达信号识别中训练时间长，扩充、修改、维护难等致命的弱点。仿真结果表明，在雷达参数不全的情况下，免疫RBF网络阵列对各种雷达的体制和用途都达到了较高的正确识别率。     

图像修复RBF模型的Kalman改进算法

利用Kalman滤波器训练图像修复RBF网络模型的权值与基函数的中心，由于利用滤波器测量噪声的协方差阵实现整个模型的图像降噪功能，新算法边缘修复能力较强．本文通过仿真，检验了新模型的降噪能力；结果证明，新算法较一般的堆纳滤波器，均值滤波降噪能力明显提高。     

基于RBF神经网络的组合导航融合算法

提出一种基于径向基函数（RBF）神经网络的组合导航容错算法。该算法将局部滤波器状态估计分组引入作为融合中心的RBF神经网络，通过RBF神经网络的局部特性，实现全局估计的自适应性和容错性。该算法等价于对局部估计的模糊推理。仿真结果表明，该融合算法有较高的估计精度，能够及时检测出传感器故障并在融合网络中予以隔离，不致影响全局估计。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

Adaptive fuzzy c-means clustering algorithm for a radial basis function network

This paper presents a new recursive hybrid algorithm for training a radial basis function (RBF) network. The algorithm consists of a proposed clustering algorithm to position the RBF centres and the Givens least-squares algorithm to estimate the weights. This paper begins with a discussion about the problems of clustering in positioning RBF centres. Then a new clustering algorithm called adaptive fuzzy c-means clustering algorithm is proposed to reduce the problems. The capability of the proposed algorithm was tested to model three data sets: one simulated and two real data sets. It was found that the algorithm provided good performance. The performance of the algorithm was then compared with adaptive k-means, non-adaptive k-means and non-adaptive fuzzy cmeans clustering algorithms. Overall performance of the RBF network that used the proposed clustering algorithm was found to be much better than those that used other clustering algorithms. Simulation results also revealed that the algorithm was not sensitive to initial centres.     

基于快速回归算法的RBF神经网络及其应用

针对径向基神经网络(RBFNN)中存在的径向基函数中心的数F1及其位置难以确定的问题,提出了一种新型的基于快速回归算法(FRA)的RBFNN.采用快速回归算法,不但能够确定RBF的中心和中心个数,而且能够求出隐含层到输出层的权重.通过一元函数拟合和Mackey-Glass混沌时间序列预测的仿真,验证了该网络的有效性与实用性.     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

Recursive methods for estimating the radial basis function‐based state‐dependent autoregressive model

Identifying a nonlinear radial basis function‐based state‐dependent autoregressive (RBF‐AR) time series model is the basis for solving the corresponding prediction and control problems. This paper studies some recursive parameter estimation algorithms for the RBF‐AR model. Considering the difficulty of the nonlinear optimal problem arising in estimating the RBF‐AR model, an overall forgetting gradient algorithm is deduced based on the negative gradient search. A numerical method with a forgetting factor is provided to solve the problem of determining the optimal convergence factor. In order to improve the parameter estimation accuracy, the multi‐innovation identification theory is applied to develop an overall multi‐innovation forgetting gradient (O‐MIFG) algorithm. The simulation results indicate that the estimation model based on the O‐MIFG algorithm can capture the dynamics of the RBF‐AR model very well.     

一种基于RBF神经网络的转台分系统故障诊断方法

针对三轴精密测试转台各分系统故障诊断的需要,提出了一种基于径向基函数(RBF)神经网络的局部故障诊断方法。首先,给出了相应的RBF神经网络的结构,以及一种基于递归最小二乘法的改进学习算法;然后,将其应用到转台控制分系统的局部故障诊断中。根据控制分系统的常见故障及其特征信息,建立起基于RBF神经网络的故障诊断模型;最后,仿真实验结果验证了该方法的有效性。     

Simple recursive algorithm for linear-in-theparameters nonlinear model identification

This paper introduces a simple recursive algorithm for nonlinear dynamic system identification using linear-in-the-parameters models for NARX or RBF network where both the structure and parameters can be obtained simultaneously and recursively. The main objective is to improve the numerical stability when the model terms are highly correlated. This is based on the "innovation" idea and net contribution criteria. Using the recursive formulae for the computation of the Moore-Penrose inverse of matrices and th...     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

Complex radial basis function networks trained by QR‐decomposition recursive least square algorithms applied in behavioral modeling of nonlinear power amplifiers

In this article, we propose a novel complex radial basis function network approach for dynamic behavioral modeling of nonlinear power amplifier with memory in 3 G systems. The proposed approach utilizes the complex QR‐decomposition based recursive least squares (QRD‐RLS) algorithm, which is implemented using the complex Givens rotations, to update the weighting matrix of the complex radial basis function (RBF) network. Comparisons with standard least squares algorithms, in batch and recursive process, the QRD‐RLS algorithm has the characteristics of good numerical robustness and regular structure, and can significantly improve the complex RBF network modeling accuracy. In this approach, only the signal's complex envelope is used for the model training and validation. The model has been validated using ADS simulated and real measured data. Finally, parallel implementation of the resulting method is briefly discussed. © 2009 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2009.