基于CMOS模拟电路的径向基函数神经网络

提出了可构成径向基函数(RBF)神经网络的CMOS模拟单元电路,包括绝对值电路、电流求均方根电路和类高斯函数电路.基于这些电路设计了一个二输入/一输出,含有两个隐层神经元的径向基函数神经网络,并通过异或问题进行了验证.所有单元均采用HJTC 0.18μm CMOS数模混合工艺制造,芯片面积为200μm×150μm,功耗约为100μW.芯片测试结果表明:提出的单元电路结构简单,功耗低,便于扩展和调节,因而为硬件实现径向基函数神经网络的片上学习提供了可     

基于CMOS模拟电路的径向基函数神经网络

提出了可构成径向基函数(RBF)神经网络的CMOS模拟单元电路,包括绝对值电路、电流求均方根电路和类高斯函数电路.基于这些电路设计了一个二输入/一输出,含有两个隐层神经元的径向基函数神经网络,并通过异或问题进行了验证.所有单元均采用HJTC 0.18μm CMOS数模混合工艺制造,芯片面积为200μm×150μm,功耗约为100μW.芯片测试结果表明:提出的单元电路结构简单,功耗低,便于扩展和调节,因而为硬件实现径向基函数神经网络的片上学习提供了可     

球磨机对象控制中模糊径向基函数神经网络的PID控制分析

结合球磨机制粉系统的特点,提出球磨机对象控制中模糊径向基函数神经网络PID控制算法,结合混合优化算法,在混沌粒子群优化的同时实现粗线调,并应用BP算法做好在线细调,进而得到PID控制的最佳参数。通过Matla对算法进行仿真,结果表明,系统不仅有效解决了球磨机复杂对象的控制问题,同时也实现了算法的快速收敛,并有较快的跟踪速度以及较小的超调,解耦较好,适应性较强。     

基于径向基函数神经网络的铁路路径规划

通过合理路径规划实现高速铁路能量效率的优化是铁路运行中的重要研究内容。本文引入资格迹(eligibility trace)改进径向基函数(RBF)神经网络。在此基础上,使用改良的径向基函数(RBF)神经网络实现列车在复杂情况下的路径规划。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数（ＲＢＦ）神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Ｍａｃｋｅｙ－Ｇｌａｓｓ造血模型方程的数值解数据,对此广义模型与现有的ＲＢＦ模型和梯度径向基函数（ＧＲＢＦ）模型对一笥时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

基于径向基函数神经网络的模拟/混合电路故障诊断

径向基函数神经网络是一种前馈型神经网络,具有较强的函数逼近能力和分类能力,学习速度快等优点.本文采用幅值恒定的正弦信号源进行模拟电路的故障仿真,从频域提取输出信号波形的特征值建立故障字典,应用径向基函数神经网络的这些优点进行响应分析和故障诊断,能够实现快速故障诊断及定位,具有准确率高的特点.     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

径向基函数神经网络的分类机理

本文研究了径向基函数网络（ＲＢＦＮ）的分类机理问题。在Ｒｕｃｋ工作的基础上，通过与传统的基于Ｐａｒｚｅｎ窗估计核分类器做类比，本文从模式分类机理入手，分析了ＲＢＦＮ使用正、负两类训练样本来估计判别函数的特点，指出它优于核分类器，并讨论了相应情况下ＲＢＦＮ输出层连接权、模式分类判决域的特点。最后用多类模式分类的结果对上述理论进行了验证。     

径向基函数神经网络芯片ZISC78及其应用

ZISC78是IBM公司和Sillicon公司联合生产的一种具有自学习功能的径向基函数神经网络芯片，文中主要介绍了ZICS78芯片的功能、原理，给出了ZISC78神经网络芯片在舰载武器系统中进行船舶运动实时预报的应用方法。     

基于径向基神经网络的锅炉控制

本文基于不同扩展中心的径向基神经网络（RBF）,对锅炉的燃烧状态进行了分析,从分析的结果来推测锅炉的用煤量,将此方法应用于工厂的锅炉控制上;通过对燃煤量的预测,找出燃烧率高的方法来对锅炉控制,从而减小了煤炭的损耗,节约了能源。     

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。     

基于有限状态径向基函数网络的汉语语音识别研究

本文提出了有限状态径向基函数网络结构，它可用Ｋ－均值聚类算法和最小二乘算法分层独立训练，训练速度快。通过汉语语音识别实验，研究了ＦＳＲＢＦ网及子网的特性。结果表明，ＦＳＲＢＦ结构很适于处理时序信息，易于推广到其他识别单元的系统中。     

Optimal UWB Waveform Design Based on Radial Basis Function Neural Networks

We present a novel ultra-wideband waveform design algorithm based on the radial basis function neural network in this paper. The simplified implementation of this scheme is also put forward. With the aid of our proposed spectrum pruning technique, the produced waveforms can match arbitrary spectrum emission mask much more closely under the regulatory spectral constraint. Moreover, by taking the nonideal response of realistic UWB antennas into waveform designing process, the emission pulses with predistortion can be generated to efficiently compensate for the nonideal UWB antenna property. Two realization structures have also been investigated. Consequently, degradation in frequency utilization caused by any nonideal antenna can be substantially eliminated, and hence the practical transmission performance can be significantly enhanced.     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。     

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。     

基于递阶粒子群优化径向基函数人工神经网络的光性能监控

为解决差错反向传输神经网络在透明可重构光网络光性能监测中精度不足的问题,提出一种基于优化的径向基函数人工神经网络的光性能监测方案。在该方案中,以信号眼图参数为网络输入,以光信噪比、色散和偏振模色散为网络输出;采用二进制与十进制相结合编码的递阶粒子群方法,用适应度函数引导粒子向小规模和小误差方向运动,进行神经网络的结构与参数自适应优化;分别以不同光信噪比,不同色散和偏振模色散水平仿真信道中传输速率为40 Gb/s差分相移键控仿真信号,进行网络训练和测试,并将测试结果与相同情形下基于差错反向传输法神经网络的光性能监测结果进行比较。结果表明,所提方案在保有人工神经网络方案优点的基础上,有着更好的监测精度。     

径向基函数神经网络的软竞争学习算法

本文构造了径向基函数(RBF)神经网络的一类软竞争学习算法(SCLA).该算法的主要思想是首先在高斯基函数中心向量的训练过程中引入了隶属度函数,对每个输入样本,所有中心向量根据该样本属于其代表的类的隶属度值的大小进行自适应地调整;第二,把隶属度函数的模糊因子的倒数与模拟退火算法中的温度等同起来,在迭代过程中采用递增的方式来调整它.SCLA是RBF网络基于k-均值方法训练中心向量的学习算法的软竞争格式,它可以克服后者对初始值敏感和死节点的问题.仿真实验论证了SCLA是有效的.     

一种基于小波变换和FIR神经网络的广域网网络流量预测模型

该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型,首先采用小波分解把网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量,利用FIR神经网络对这些分量分别进行预测,将合成之后的结果作为原始网络流量的预测。实验结果表明：采用该模型对实际的广域网网络流量数据进行预测,不仅可以得到较快的收敛效果,而且预测性能比现有的小波神经网络和FIR神经网络要好得多。     

Design of Neural Networks Based on Wave-Parallel Computing Technique

A Wave-Parallel Computing (WPC) technique is proposed to address the interconnection problem in massively-parallel analog hardware required for implementing neural networks. The fundamental concepts are the frequency multiplexing of signals on a single line, and their wave-parallel processing without decomposition. This paper discusses the realization of a Hopfield-type massively-connected neural network, and shows that the WPC-based network exhibits much lower topological complexity compared with the original network. We also investigate the possible implementation of WPC using the present MOS technology, and discuss the performance evaluation in terms of the degree of multiplexing and the processing speed.     

一种投票权值调整的神经网络集成增量学习方法

针对神经网络集成增量学习中集成输出投票权值的设定问题,给出了一种投票权值调整的神经网络集成增量学习方法。该方法定义了神经网络集成中子神经网络训练集的类核函数,通过计算待识样本与类核函数之间的核函数距离得到集成输出中子神经网络的投票权值。这种投票权值设定方法可以根据子神经网络分类器对待识样本的分类性能自适应地调整集成输出的投票权值,是一种更加合理的集成输出投票权值设定方法。仿真实验表明,这种投票权值调整的神经网络集成增量学习方法比投票权值固定的方法增量学习性能更优。