基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP（反向传播算法）神经网 络和RBF（径向基函数）神经网络作了理论上的分析比较，并采用实际数据进行训练，说明了RBF神经网 络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建 立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。     

基于局部保持投影和RBF神经网络的DOA估计

提出了一种有效的降维构建方法改善来波到达角（DOA）估计的性能。该方法利用局部保持投影（LPP）对DOA估计用的神经网络的训练样本进行降维,以降低神经网络的复杂度,加快神经网络的训练过程。与常用的协方差矩阵上三角特征相比,在不损失有效方位信息的基础上,可以使特征维数极大地降低。数值实验表明,基于局部保持投影和神经网络的方法具有良好的估计精度和效率,同时对噪声也有较强的适应能力,能够很好地满足波达方向估计实时性的要求。     

基于RBF神经网络的热力系统煤种辨识方法

为了保证热力系统稳定运行,提高锅炉安全寿命,控制污染物,该文利用多模型思想,对煤种低位发热值进行初步辨识和精确辨识。初步辨识中,采用改进的K均值聚类算法,快速辨识出煤种类型;精确辨识中,利用初步辨识的结果优化发热量辨识模型,减少模型搜索范围,采用自动调节隐节点和参数的径向基函数(RBF)神经网络算法。仿真结果表明,该辨识方法的辨识误差在1.5%以内,具有良好的辨识精度,在速度上也优于单独的RBF辨识算法,可以应用于热力系统煤种发热量在线辨识。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线连续函数有较好的逼近效果,对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较,并采用实际数据进行训练,说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络.最后,以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型,并进行了模型检验,证明了基于RBF网络的建模方法具有较高的精度.     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA-RBF神经网络模型的备件预测方法.首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络.通过结合实例进行分析,取得了较好的效果.     

基于径向基神经网络的水饱和含氧量的数据拟合

相关部门提供的标准大气压下水饱和含氧量标定值仅为离散温度点处的数据,这些数据显示了水的饱和含氧量与温度之间呈非线性关系,由此提出了利用Matlab函数创建径向基神经网络对既有标定数据进行分析、拟合.结果显示,该方法达到了误差目标,且较传统方法具有数据存储量小,网络学习时间短,收敛速度快的特点.     

基于RBF神经网络的图像特征处理

径向基函数网络(RBFN)是当前人工神经网络技术研究的热点之一,并以其优良的性能广泛应用于各个领域。针对BP神经网络容易陷入局部最优的缺陷,文章提出用RBF神经网络进行图像特征提取,并给出了RBF神经网络构建过程及选Gauss函数为径向基函数的优势,最后设计并完成实验。模拟实验结果表明了训练好的RBF网络对边缘特征提取的有效性,也证实了选择良好的高斯函数宽度,可以得到较优的网络。     

基于RBF神经网络的旋风器阻力系数预测模型

旋风器阻力系数是随旋风器结构参数变化的复杂函数，根据阻力系数与结构因素之间的映射关系建立了基于径向基函数(RBF)神经网络预测模型，并将其用于切流反转式旋风器阻力系数的预测并与常用的BP神经网络模型比较。结果表明，该模型收敛速度快。预测误差小，预测结果与实测结果较为符合。     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。     

基于RBFNN的强化学习在机器人导航中的应用

在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。     

基于免疫进化算法的径向基函数网络

基于免疫进化算法，提出了一种设计径向基函数(RBF)网络的新算法——免疫径向基函数网络(IRBF)训练算法．该算法通过提取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，提高了算法的收敛速度．计算机仿真表明，采用这种算法训练的RBF网络达到了较好的性能．     

基于径向基函数神经网络车辆跟驰模型

针对由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型的问题,应用径向基函数神经网络建立了跟驰模型,改进了基于最近邻聚类的网络学习算法,并利用跟驰数据对模型进行了验证.结果表明,该网络模型与多层前馈网络模型相比,结构简单,训练时间短,精度高,适宜在线进行实时预测.     

热电偶径向基神经网络模型研究

介绍了基于Levenberg-Marguardt(LM)算法的改进BP神经网络及其在热电偶特性建模中应用,针对其存在的问题,提出了一种基于径向基(RBF)神经网络建立热电偶特性零误差模型的方法,详细介绍了镍铬-镍硅热电偶特性0~1 370℃无差优化模型的建立过程并与BP神经网络热电偶模型进行了比较,结果表明提出的模型算法简单、精度高、稳定性好,易实现,优于BP网络,对其他传感器应用领域也有借鉴作用.     

采用径向基神经网络的卫星网络申报趋势分析方法

将径向基函数(RBF)神经网络应用于卫星网络申报趋势分析,构建基于RBF神经网络的趋势量化分析方法,改变当前主要依赖专家经验分析申报趋势的现状,为卫星网络申报趋势的评估提供量化指标.首先,梳理当前卫星网络申报的业务特点;然后,对主流预测方法进行分析,提出基于RBF神经网络的申报趋势分析方法;最后,通过实际申报数据进行算法验证.结果表明:文中方法对卫星网络申报趋势的预测误差总体小于20%,对实际申报工作具有指导意义.     

径向基函数神经网络的一种在线学习算法

用在线学习算法和梯度法为学习规则,推导了径向基函数神经网络的在线学习算法,将影响网络输出的各个参数的学习过程作为一个整体来处理,并用Matlab实现了此算法.最后用一个26个印刷体大写英文字母的识别来验证此算法.实验的结果表明了该算法的正确性和有效性.     

基于RBF神经网络的高层建筑火灾风险评价

火灾风险评价是减小和控制高层建筑火灾的重要前提,本文设计了应用于高层建筑火灾风险评价的径向基函数网络模型,介绍了其学习算法,并用此模型对高层建筑火灾风险评价进行实例分析,通过对实验仿真结果与实际结果的比较分析,表明径向基函数网络模型在高层建筑火灾风险评价的可行性,为高层建筑火灾风险评价方法的研究提供一种新的尝试,为减小和控制高层建筑火灾的发生在理论上、方法上提供有益的指导。     

基于OLS的径向基函数神经网络实现多种数字信号调制方式自动识别

基于决策论的信号调制样式自动识别方法具有简单易行、适合在线分析的优点,针对一些参数的计算进行了改进,并提出了基于该方法,利用正交最小二乘法(OLS)的径向基函数(RBF)神经网络,实现数字信号调制样式自动识别的方法.提高了该方法的识别能力,对信噪比(SNR)为6～30 dB的测试信号识别得到了较好的结果.识别的数字信号为2ASK、4ASK、2PSK、4PSK(QPSK)、2FSK、4FSK与16QAM.