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。     

结构优化的RBF神经网络学习算法

文章提出了一种自动“删减”隐层神经元的ＲＢＦ神经网络学习算法。模拟结果表明，该算法训练的ＲＢＦ网络不仅结构得以优化，同时性能良好，可能成功地应用于模式分类和时间序列预测问题中。     

基于优化深度学习的SAR图像地物分类检测方法研究

针对深度学习在SAR遥感图像地物分类检测中存在的问题,文章通过对基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)进行优化改进,从而提高分类检测准确性。首先提出采用Leaky ReLU函数作为非线性整流函数,克服网络反向传播时梯度消失的问题;然后提出变步长动量梯度下降算法,加速网络收敛、减弱震荡,并避免网络陷入局部极小值。最后综合提出了"Leaky ReLU+变步长+动量梯度下降"的优化方法。通过实验,验证了文章所提出方法的有效性和准确性。     

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。     

用前馈神经网络进行带噪声信号的去噪声建模

本文提出了一种用前馈神经网络对带噪声样本的去噪声建模的实验方法,能获得合适的网络模型,并具有较好的去噪声能力。实验对比ＢＰ网络和ＲＢＦ网络去噪声能力上的差别,结果表明,ＲＢＦ网络去噪声能力优于ＢＰ网络。这一结论已被用于为半导体生产工艺控制参数优化的去噪声建模中。     

一种自适应FIR滤波的新方法——几何中心法

传统的自适应方法一般采用梯度下降法搜索最佳权,但梯度法的性能对步长敏感。本文介绍一种全新的、无需步长选择的稳定收敛的ＦＩＲ方法。该方法采用几何中心法进行递推。仿真结果表明由该方法导出的算法性能很好。     

在线训练RBF神经网络在混沌保密通信过程信息解调中的应用

本文讨论了在线ＲＢＦ神经网络在混沌扩频通信过程信息解调中的应用,其关键是利用ＲＢＦ在接收端重构出发送混沌系统吸引子结构信息,并根据逆系统理论实现信息解调。给出了ＲＢＦ神经网络的一种在线训练算法,并对这种在线训练算法所涉及到的各个方面进行了分析。仿真表明这种在线ＲＢＦ神经网络能实现信息的精确解调。     

基于深度学习和压缩感知的图像重构算法研究

利用深度展开的方法来设计深度神经网络在如今成为了一种经典的优化方法。文章提出了一种新的基于深度学习和压缩感知的重构算法用于序列信号重构。该模型设计理念是通过用近端梯度下降方法来对模型做迭代展开。在MNIST数据集上的实验表明,该模型表现要优于一些先进的基于压缩感知的模型以及其他基于循环神经网络的模型。     

基于神经网络的微波电路建模与优化

本文讨论用神经网络对微波电路进行建模、优化。借助电磁声理论计算或基于实际测量,可得到微波电路的输入、输出样本数据,从而可训练神经网络,在兼顾它的推广性能的基础上,对微波电路建模。进一步,通过优化神经网络对应参数,可优化微波电路。文章用ＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ）神经网络对微带变阻器建模、优化,以此为例,进行了较为详细的阐述。     

基于梯度下降法的ISAR最小熵相位校正算法

最小熵相位校正算法是一种非常有潜力的ISAR相位校正算法,有多种不同的方法可以实现最小熵相位校正算法,如定点迭代法即是一种典型的最小熵相位校正算法.文中运用梯度下降法来实现最小熵相位校正的方法,并且通过对实测数据的ISAR成像,将梯度下降法与其他方法的收敛速度进行了比较,同时讨论了如何对梯度下降法步长参数进行选择.     

Efficient gradient descent method of RBF neural entworks with adaptive learning rate

A new algorithm to exploit the learning rates of gradient descent method is presented, based on the second-order Taylor expansion of the error energy function with respect to learning rate, at some values decided by "award-punish" strategy. Detailed deduction of the algorithm applied to RBF networks is given. Simulation studies show that this algorithm can increase the rate of convergence and improve the performance of the gradient descent method.     

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...     

Nonlinear adaptive prediction of speech with a pipelined recurrentneural network

New learning algorithms for an adaptive nonlinear forward predictor that is based on a pipelined recurrent neural network (PRNN) are presented. A computationally efficient gradient descent (GD) learning algorithm, together with a novel extended recursive least squares (ERLS) learning algorithm, are proposed. Simulation studies based on three speech signals that have been made public and are available on the World Wide Web (WWW) are used to test the nonlinear predictor. The gradient descent algorithm is shown to yield poor performance in terms of prediction error gain, whereas consistently improved results are achieved with the ERLS algorithm. The merit of the nonlinear predictor structure is confirmed by yielding approximately 2 dB higher prediction gain than a linear structure predictor that employs the conventional recursive least squares (RLS) algorithm     

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.     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

Convergence of exponentiated gradient algorithms

This paper studies three related algorithms: the (traditional) gradient descent (GD) algorithm, the exponentiated gradient algorithm with positive and negative weights (EG± algorithm), and the exponentiated gradient algorithm with unnormalized positive and negative weights (EGU± algorithm). These algorithms have been previously analyzed using the “mistake-bound framework” in the computational learning theory community. We perform a traditional signal processing analysis in terms of the mean square error. A relationship between the learning rate and the mean squared error (MSE) of predictions is found for the family of algorithms. This is used to compare the performance of the algorithms by choosing learning rates such that they converge to the same steady-state MSE. We demonstrate that if the target weight vector is sparse, the EG± algorithm typically converges more quickly than the GD or EGU± algorithms that perform very similarly. A side effect of our analysis is a reparametrization of the algorithms that provides insights into their behavior. The general form of the results we obtain are consistent with those obtained in the mistake-bound framework. The application of the algorithms to acoustic echo cancellation is then studied, and it is shown in some circumstances that the EG± algorithm will converge faster than the other two algorithms     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方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。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

广义RBF神经网络在煤矿冲击地压预测上的应用

本文将广义径向基函数（RBF）神经网络应用于华丰煤矿实测的煤矿中冲击地压数据的建模和短期预报。在网络设计上,本文采用了贝叶斯阴阳（BYY)和谐学习算法进行网络隐单元个数的确定和参数初始值的选取,而在参数学习上,本文则采用了同步LMS学习算法。实验结果表明,这种基于广义RBF神经网络的预测方法在精度和速度上有了显著的优势,能够满足在工程应用中的实际要求。      

Neural-network-based predictive learning control of ram velocity in injection molding

In this paper, we develop a predictive learning controller for ram velocity of injection molding based on neural networks. We first introduce a model of describing the injection molding, including the time horizon and the batch index. The feedback control plus biased function is proposed for controlling this plant. More specifically, a radial basis function (RBF) network is used to approximate the biased function based on the time horizon. The weights in the RBF are determined by a predictive control scheme based on the batch index. For this algorithm, relevant convergence is investigated. Simulation results reveal that the proposed control can achieve our claims.     

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。