基于RBF神经网络的交叉检验图像降噪方法

径向基神经网络(RBFNN)有很好的函数逼近能力，本文把图像看成函数，用RBFNN来表示图像，并在学习过程中进行逼近，采用交叉检验的方法来确定网络模型并控制学习过程，使得网络既能较好地逼近图像，又对噪声进行抑制，从而达到图像降噪的目的。实验证明这是一个可行的盲目图像降噪方法，有广泛的适用性。本文还给出了实验中改进交叉检验方法的技术，给出了与wiener滤波器降噪的实验效果对比图。     

GRNN与RBFNN的二元函数逼近性能对比研究

为了研究GRNN和RBFNN对于二元非线性函数的逼近能力,本文编程建立GRNN和RBFNN,并以具体的二元非线性函数为例,分别用2种神经网络对其进行逼近。仿真结果表明,相对于RBFNN而言,GRNN对于二元非线性函数的逼近精度更高、收敛速度更快,具有很好的逼近能力,为解决二元非线性函数的逼近问题提供了良好的解决手段。     

基于混合训练方法的RBF神经网络的曲面重构*

根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力,以及强大的抗噪、修复能力等优点,讨论了目前神经网络训练方法,提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：径向基函数网络用于曲面重构, 不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快,说明了径向基函数神经网络应用于曲面重构问题的可行性,为解决反向工程的技术关键——自由曲面重构提供了一个新的途径。     

地震数据处理中基于RBF网络的函数逼近

该文将径向基函数网络引入地震数据处理中,实现了函数逼近法地震数据的插值处理,在实际地震数据处理中取得了较好的应用效果。主要研究了径向基函数网络的理论、方法、应用及其逼近性能。该网络充分地利用了包含在训练数据中的信息,可自适应地确定网络隐层节点数目、径向基函数中心以及网络的权系数,生成的网络具有规模小、收敛快和数值稳定等优点。对同一函数进行逼近且精度相同时,径向基函数网络所用时间远远小于BP网络,因此是有广阔应用前景的一种新型神经网络。     

基于RBFNN的铂电阻温度传感器非线性补偿

针对铂电阻温度传感器应用中存在的非线性问题,提出了应用径向基函数神经网络(RBFNN)强非线性逼近能力进行铂电阻温度传感器非线性补偿的方法。介绍了非线性补偿的原理和网络训练方法。结果表明:这种非线性补偿模型具有误差小、精度高、可在线标定和鲁棒性强等优点,与基于BP神经网络的非线性补偿模型相比,大大缩短了网络训练时间,从而方便了铂电阻温度传感器在测控系统中的应用。     

基于遗传算法的径向基神经网络及其在同时测定Fe Mn Cu Zn中的应用(英文)

介绍了两种新的基于遗传算法的径向基神经网络(GA-Based RBFNN)训练算法。这两种算法均将遗传算法用于优化径向基神经网络的聚类中心和网络结构。第一种GA-Based RBFNN算法对所有训练样本采取二进制编码构成个体,优化径向基函数中心的选取和网络结构;第二种GA-Based RBFNN算法中,RBFNN采用自增长算法训练网络隐含层中心、采用十进制对距离因子ε编码构成染色体,优化网络。将两种GA-Based RBFNN算法应用于Fe、Mn、Cu、Zn同时测定的光谱解析,计算结果表明,本文的GA-Based RBFNN算法较通常的遗传算法与径向基人工神经网络(GA-RBFNN)联用,即在GA选择变量的基础上,再用RBFNN作数据解析的GA-RBFNN方法,在增强网络的泛化能力、提高预测的准确性等方面具有明显的优势。从这两种GA-Based RBFNN的比较看,第二种算法在性能上优于第一种算法。     

一种进化RBF神经网络的模型及其训练算法

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性,在函数似合方法优于传统的BP网络,因此被广泛应用于非线性时间序列分析算法领域。本文针对时间序列中的非平稳数据,结合差分平稳化与分阶遗传的思想,提出一个新的进化RBF神经网络的模型及其训练算法。通过实例分析表明,该方法在处理非平稳时间序列方面具有一定的优越性。     

基于小波神经网络的通用多变量非线性系统辨识算法和应用

在分析小波函数对L2(R)空间的逼近原理的基础上,给出了仅使用尺度函数的神经网络模型和网络学习方法,使得用于逼近低通系统的小波基函数大大减少,并给出逼近的理论依据.提出的小波神经网络模型的学习为线性LS参数估计问题,具有通用性和易用性,并具有线性系统中线性LS参数估计的优良性质,保证了在训练数据受噪声污染时的网络模型的推广能力.理论分析、仿真实验和实际应用结果都说明该辨识方法具有好的辨识精度和推广能力.     

基于遗传算法的径向基神经网络及其在同时测定Fe Mn Cu Zn中应用

介绍了两种新的基于遗传算法的径向基神经网络(GA-Based RBFNN)训练算法.这两种算法均将遗传算法用于优化径向基神经网络的聚类中心和网络结构.第一种GA-Based RBFNN算法对所有训练样本采取二进制编码构成个体,优化径向基函数中心的选取和网络结构;第二种GA-Based RBFNN算法中,RBFNN采用自增长算法训练网络隐含层中心、采用十进制对距离因子ε编码构成染色体,优化网络.将两种GA-Based RBFNN算法应用于Fe、Mn、Cu、Zn同时测定的光谱解析,计算结果表明,本文的GA-Based RBFNN算法较通常的遗传算法与径向基人工神经网络(GA-RBFNN)联用,即在GA选择变量的基础上,再用RBFNN作数据解析的GA-RBFNN方法,在增强网络的泛化能力、提高预测的准确性等方面具有明显的优势.从这两种GA-Based RBFNN的比较看,第二种算法在性能上优于第一种算法.     

多项式函数的神经网络逼近: 网络的构造与逼近算法

该文作者先用构造性方法证明：对于给定的r阶多项式函数，可以具体地构造出一个三层前向神经网络，以任意精度逼近该多项式，所构造的网络的隐层节点个数仅与多项式的阶数r和网络的输入个数s有关，并能准确地用r表达；然后，给出一个实现这一逼近的具体算法；最后，给出两个数值算例进一步验证所得的理论结果．该文所获得的结果对前向神经网络逼近多项式函数类的网络具体构造以及实现逼近的方法等问题具有较为重要的指导意义．     

The improved radial basis function neural network and its application

Compared with other feed-forward neural networks, radial basis function neural networks (RBFNN) have many advantages which make them more suitable for nonlinear system modeling, and they have recently received considerable attention. In this paper, a RBFNN is employed to model strongly nonlinear systems. First, the problems of nonlinear system modeling are analyzed, and then the structure of the RBFNN as well as the training algorithm are improved to solve these problems. Finally, an industrial high-purity distillation column, which is a strongly nonlinear system, is successfully modeled with the improved RBFNN. Owing to the complexities of a nonlinear system, it is necessary to use a real-time model correction method to modify the parameters of the RBFNN model in real time. One efficient method is proposed in this paper. The idea is to employ the Givens transformation to modify the parameters of the RBFNN-based model. This work was presented, in part, at the International Symposium on Artificial Life and Robotics, Oita, Japan, February 18–20, 1996     

Adaptive tracking control of nonlinear systems with dynamic uncertainties using neural network

In this paper, an adaptive neural tracking control approach is proposed for a class of nonlinear systems with dynamic uncertainties. The radial basis function neural networks (RBFNNs) are used to estimate the unknown nonlinear uncertainties, and then a novel adaptive neural scheme is developed, via backstepping technique. In the controller design, instead of using RBFNN to approximate each unknown function, we lump all unknown functions into a suitable unknown function that is approximated by only a RBFNN in each step of the backstepping. It is shown that the designed controller can guarantee that all signals in the closed-loop system are semi-globally bounded and the tracking error finally converges to a small domain around the origin. Two examples are given to demonstrate the effectiveness of the proposed control scheme.     

基于空间锥角的RBF神经网络二维DoA估计

提出一种有效的RBF神经网络二维DoA降维训练方法.利用空间锥角分别对L阵列的两条直线阵进行RBF神经网络模型训练,通过已构建的两个模型对未知来波的空间锥角进行估计,两个空间锥角对应的两个空间半锥面形成的相交线就是来波入射路径.仿真实验结果表明所提方法能有效缩减训练样本集,并能极大降低模型构建的复杂度,而且具备很高的二维来波估计精度,具有广阔的工程应用前景.     

前向代数神经网络的函数逼近理论及学习算法

文中对ＭＰ神经元模型进行了推广,定义了多项代数神经元、多项式代数神经网络,将多项式代数融入代数神经网络,分析了前向多项式代数神经网络函数逼近能力及理论依据,设计出了一类双输入单输出的前向４层多层式代数神经网络模型,由该模型构成的网络能够逼近于给定的二元多项式到预定的精度。给出了在Ｐ－ａｄｉｃ意义下的多项式代数神经网络函数逼近整体学习算法,在学习的过程中,不存在局部极小,通过实例表明,该算法有效,最     

Application of radial basis function neural network for information processing in fiber optical distributed measuring systems

The paper discusses tomography reconstruction of distributed physical fields. The problem is shown to be solved by using distributed measuring networks based on optical fibre sensors. Special attention is paid to tomography measuring networks based on measuring elements with integrated sensitivity. The advantages of radial basis function neural networks (RBFNN) for data processing of signals in the distributed fiber optical measuring systems are studied. RBFNN specifics which enhance the efficiency of computations of physical fields and technical and technological objects under reconstruction are key issues. Comparative analysis of the operating efficiency of RBFNN method and standard analytical and algebraic method for fiber-optical tomography reconstruction is reported. The article is published in the original.     

基于神经网络的软测量技术及应用

软测量是一门新兴的工业技术，它借助现代估计理论构造模型推断出工程上难以检测的变量。本文提出了基于径向基函数神经网络（RBFNN）的软测量技术，并且结合工艺机理分析和过程数据关联，对其在轻柴油凝固点软测量的应用进行了研究。结果表明，RBFNN的良好的非线性动态建模能力使其在软测量中具有很大的应用潜力。     

配电网线损计算径向基函数神经网络方法

提出了一种电力配电网线损计算的RBFNN(Radial basis function neural networks) 方法，主要利用RBFNN 较强的拟合特性映射线损与特征参数之间复杂的非线性关系，记忆配电线路在结构参数和运行参数变化时线损的规律. 采用LBG 聚类方法和一种确定最佳聚类数的标准来优化RBFNN 隐层节点，以提高网络的利用效率. 实例仿真验证了所提方法的有效性和实用性.     

RBFNN versus FFNN for daily river flow forecasting at Johor River,Malaysia

Streamflow forecasting can have a significant economic impact, as this can help in water resources management and in providing protection from water scarcities and possible flood damage. Artificial neural network (ANN) had been successfully used as a tool to model various nonlinear relations, and the method is appropriate for modeling the complex nature of hydrological systems. They are relatively fast and flexible and are able to extract the relation between the inputs and outputs of a process without knowledge of the underlying physics. In this study, two types of ANN, namely feed-forward back-propagation neural network (FFNN) and radial basis function neural network (RBFNN), have been examined. Those models were developed for daily streamflow forecasting at Johor River, Malaysia, for the period (1999–2008). Comprehensive comparison analyses were carried out to evaluate the performance of the proposed static neural networks. The results demonstrate that RBFNN model is superior to the FFNN forecasting model, and RBFNN can be successfully applied and provides high accuracy and reliability for daily streamflow forecasting.     

点云数据重构三维网格形状的新算法

在分析现有重构方法局限性的基础上,提出了一种基于神经网络的点云数据重构三维网格形状的新算法。首先对点云数据平滑处理;然后进行特征线提取,并以特征线为基础对曲面进行分割。该方法能直接从神经网络的权值矩阵得到曲线的控制顶点/曲面的控制网格,通过神经网络的权值约束实现曲线段/曲面片之间的光滑拼接。能显著提高逼近网格的品质,从而实现了点云数据的精确曲面重构,实际的算例结果表明该方法实用可靠。