基于蚁群聚类和裁剪方法的RBF神经网络优化算法

提出了一种基于蚁群聚类算法和裁剪方法的RBF神经网络优化算法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,提出一种新的聚类算法来确定RBF神经网络中基函数的位置;通过一种裁减的方法,除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元,以达到简化RBF神经网络结构的目的。对非线性函数进行逼近仿真,结果表明:优化算法有比较好的优化效果,而且,优化后的RBF神经网络的结构小,RBFNN的泛化能力得到了提高。     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于蚁群聚类算法的RBF神经网络交通流预测

短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和RBF神经网络结合来构建交通流预测模型,用蚁群聚类确定RBF网络隐层神经元的中心值,并且为了找到最优的聚类结果,在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测效果较好.     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.     

基于模糊聚类的RBF分类器的设计与实现

提出一种RBF网络设计方法,利用模糊c均值聚类算法确定径向基函数的数目、基函数中心及宽度,输出层权值由线性方程组确定.对uci数据集进行分类仿真实验,证明利用该方法设计的RBF网络分类效果良好.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

基于网格和密度的聚类神经网络结构优化

针对聚类神经网络初始权值与样本分类数的设定问题,提出一种基于网格和密度的聚类神经网络结构优化算法.以网格和密度为工具提取聚类样本的聚类中心,并由此确定样本分类数,从而对聚类神经网络结构进行优化,可以有效地提高神经网络的聚类效果,缩短样本聚类时间.     

基于LabVIEW 的RBF神经网络实现

LabVIEW 是一种图形化编程语言,被工业界和研究实验室广泛使用。RBF神经网络是一种三层前 向网络,可有效地进行非线性模型的辨识。介绍了3种在LabVIEW 实现RBF神经网络计算的方法。用LabVIEW 完成了RBF神经网络的程序开发并进行了函数逼近验证。仿真结果表明,使用本文方法方便有效,把RBF神经网 络与虚拟仪器开发平台结合,拓宽了其应用领域。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基(Radial Basis Function简称RBF)网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法.实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善.     

BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。     

RBF神经网络在入侵检测中的应用

针对RBF神经网络构造的关键,利用聚类方法给出了径向基网络中心的选择算法,并将其应用于入侵检测研究.实验采用KDD99数据集进行测试,结果表明,该方法具有较快的收敛速度和分类能力,在入侵检测中获得较高的检测性能,具有良好的应用前景.