径向基网络模型在上海地铁客流预测中的应用研究

基于对国内外科学家的工作和研究成果的分析,运用数学和计算机辅助技术,采用径向基RBF神经网络模型针对轨道客流变化进行建模,将其应用于城市轨道交通突发大客流研究领域.通过合理,准确的短期客流预测为地铁运营公司及时地调整运营计划、适时地为乘客发布乘车信息、准确地执行客流管理控制预案提供依据,确保轨道系统高效、有序、安全的运行,最大限度地使客流削峰填谷,减轻运营压力,最终提高交通网络运行和管理的效率.     

基于径向基函数神经网络的内模控制

文章用径向基神经网络设计内模控制系统,径向基神经网络是通过调整隐层与输出层间的连接权系数来逼近函数,如果隐层神经元数目过少,难免会出现收敛时间长,控制质量差,甚至发散的现象。为此,本文提出了增加调整基函数形状参数和中心向量的方法予以避免,并证明了网络不同调整参量收敛于目标函数极小点的性质。     

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。     

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。     

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。     

关于径向基神经网络在股票市场预测中的研究

将径向基神经网络应用于股票预测，以中国国航的股票收盘价为研究对象进行仿真实验，达到了良好的预测效果，说明此方法有很好的应用和推广能力。     

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.     

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。     

一种新型径向基函数神经网络的非线性系统逼近

讨论了一种新的、正弦型径向基函数(SRBF)神经网络，并用来逼近n堆连续函数。该SRBF所采用的n堆正弦型的基函数是光滑的,并且是致密的。该SRBF网络的权因子是输入的低阶多项式函数。本文给出的一种简单计算程序，显著地降低了网络训练和计算时间。并且由于SRBF的基函数可以非均匀的量化格点为中心。因而降低了网络所需存储的样本数，网络的输出及其一阶导数都是连续的。对于非线性系统。该SRBF网络在系统定义城内的逼近是精确的。并且在存储参数的个数上是最优的。通过实例仿真，证明该方法步骤简单,训练速度快，精度也很理想。     

具有二维状态转移结构的随机逻辑及其在神经网络中的应用

随机计算是一种特殊的基于概率数据码流的数学计算方法,其优点在于可以采用非常简单的数字逻辑完成复杂数学运算,从而大幅降低硬件实现成本。该文首先讨论了随机计算的基本原理和主要运算逻辑,论述了传统线性状态机的不足,并分析了一种2维状态转移拓扑结构,推导了通过2维有限状态机实现高斯函数的方法。在此基础上,提出一种随机径向基函数神经网络模型,其硬件实现成本非常低,而性能与传统神经网络相当。两类模式识别实验结果显示,所提出的随机径向基函数神经网络的输出值均方误差与相应结构传统神经网络的差别小于1.3%。FPGA实验结果显示,数据宽度为12位时,随机中间神经元的电路面积仅为传统插值查表结构的1.2%、坐标旋转数字计算方法(CORDIC)的2%。通过改变输入码流长度,该神经网络可以在处理速度、功耗和准确性之间作出平衡,具有应用灵活性,适用于对成本、功耗要求较高的应用如嵌入式、便携式、穿戴式设备。     

基于神经网络的自动机动决策设计

空战智能决策技术是目前广泛被研究和使用的一种新技术。本文针对使用人工神经网络制定空战机动决策的方法进行了一些初步研究,并对仿真结果进行了对比分析。     

Matlab语言的Neural Network Toolbox及其在同步中的应用

介绍Matlab神经网络工具箱的相关情况及基本应用。结合一些简单的例子进一步对神经网络工具箱中的一些函数及神经网络结构解释和说明。通过该说明明确神经网络工具箱的相关应用,并利用神经网络在同步中的应用进行简单的介绍。通过仿真验证神经网络在同步中的可行性。     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

DYNAMIC BEHAVIORAL MODELING FOR STRONGLY NONLINEAR DOHERTY PAS USING REAL-VALUED TIME-DELAY RECURRENT RBF MODEL

This paper proposes a Real-Valued Time-Delay Recurrent Radial Basis Function (RVTDRRBF) model suitable for dynamic modeling of the strongly nonlinear behaviors of the Doherty Power Amplifiers (DPAs).Th...     

PARAMETERS DETERMINATION METHOD OF PHASE-SPACE RECONSTRUCTION BASED ON DIFFERENTIAL ENTROPY RATIO AND RBF NEURAL NETWORK简

Phase space reconstruction is the first step of recognizing the chaotic time series. On the basis of differential entropy ratio method, the embedding dimension mopt and time delay τ are op- ritual for the state space reconstruction could be determined. But they are not the optimal parameters accepted for prediction. This study proposes an improved method based on the differential entropy ratio and Radial Basis Function （RBF） neural network to estimate the embedding dimension rn and the time delay τ, which have both optimal characteristics of the state space reconstruction and the prediction. Simulating experiments of Lorenz system and Doffing system show that the original phase space could be reconstructed from the time series effectively, and both the prediction accuracy and prediction length are improved greatly.     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

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。     

Dynamic behavioral modeling for strongly nonlinear doherty pas using real-valued time-delay recurrent RBF model

This paper proposes a Real-Valued Time-Delay Recurrent Radial Basis Function (RVTDRRBF) model suitable for dynamic modeling of the strongly nonlinear behaviors of the Doherty Power Amplifiers (DPAs). This model has four Tapped Delay Lines (TDLs), which account for the memory effect of the DPA. The structure of the RVTDRRBF model is simpler than the traditional FeedForward Neural Networks (FFNNs) model. Weights and centers of the proposed model can be resolved by the Orthogonal Least Square (OLS) and Singular Value De-composition (SVD) algorithm. A three-carrier Wideband Code Division Multiple Access (WCDMA) signal is taken as the test signal. The simulation results in frequency-domain and time-domain for a DPA with 51 dBm output illustrate a good agreement between the RVTDRRBF model and measurement data. Moreover, comparing the Normalized Mean Square Error (NMSE) of RVTDRRBF model, memory polynomial model and RVTDRBF model, it can be noticed that the proposed RVTDRRBF model is more accurate than the RVTDRBF model and the memory polynomial model in modeling the strong dynamic nonlinearity of the DPAs.     

基于模糊分组和监督聚类的RBF回归性能改进

为了提高RBF回归建模的精度,该文提出了一种基于模糊分组和监督聚类的RBF回归建模的新方法。基本思想是：首先利用监督聚类将训练样本模糊划分为若干子集,然后分别针对各个子集的样本分布情况进行RBF回归建模,最后利用加权组合得到最终的输出。实验表明,该方法对于目标模型的局部细节具有更好的逼近精度。