基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力,编程建立了Gaussian型RBF神经网络和BP神经网络,并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例,分别用两种神经网络对其进行逼近.仿真结果表明,相对于传统BP神经网络而言,Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快,具有良好的逼近能力,为解决一元非线性函数的逼近问题提供了良好的解决手段.

Gaussian型RBF神经网络的函数逼近仿真研究

为了研究Gaussian型RBF神经网络的逼近能力,首先介绍了Gaussian型RBF神经网络的结构和算法,然后在MATLAB7.0环境下,编程建立了Gaussian型RBF神经网络和BP神经网络,并以具体的非线性函数为例,分别用两种神经网络对其进行逼近.仿真结果表明,相对于传统BP神经网络而言,Gaussian型RBF神经网络对于非线性函数的逼近精度更高、收敛速度更快,具有良好的逼近能力,为解决非线性函数的逼近问题提供了良好的解决手段.

基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题,提出一种基于主成分分析(PCA)与改进LM算法-双高斯核RBF(ILM-DGRBF)神经网络的方法,实现了SOH的准确估算。首先,提取与锂离子电池容量衰退高度相关的健康因子(HI),采用PCA方法进行降维处理,减少HI之间冗余度。其次,创建双高斯核RBF神经网络,利用改进LM算法实现网络参数在线学习,建立ILM-DGRBF神经网络。再次,利用数据增强的电池测试数据训练ILM-DGRBF实现SOH估算。验证表明,经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势,可用于SOH的估算;与其他模型相比,所建ILM-DGRBF模型具有更高的估算精度和更好的鲁棒性,估算结果的误差控制在1.5%以内。最后,基于该方法构建一种新的SOH智能估算系统,为电池安全管理提供参考依据。

基于引力搜索RBF神经网络的机车齿轮箱故障诊断

为解决神经网络结构及参数的优化选择问题,以提高机车齿轮箱故障诊断的精度,提出一种基于引力搜索RBF神经网络的机车齿轮箱智能故障诊断方法。基于高斯RBF神经网络建立机车齿轮箱故障诊断模型,采用减聚类算法确定RBF神经网络结构,并结合混沌优化策略及人工蜂群搜索算子提出自适应混合引力搜索算法对故障诊断模型进行优化求解,避免了参数选择的盲目性。采用国际标准测试数据集对该方法进行分类性能测试,结果表明其分类精度明显优于经GA算法、SPSO算法、QPSO算法和GSA算法优化的RBF神经网络。将该方法应用于机车齿轮箱故障的诊断,应用实例验证了该方法的有效性。

采用动态多子群GSA-RBF神经网络的机车黏着优化控制

为解决机车牵引过程中轮轨间最优黏着利用能否获得的问题,提出一种基于高斯RBF神经网络的机车黏着智能优化控制方法。针对黏着极限态优化控制效果的定量评估,定义了同时考虑轮轨间黏着力变化指标和牵引电机转矩波动指标的加权目标函数;提出动态多子群GSA算法以优化RBFNN参数,避免了参数选择的盲目性,提高了RBFNN的收敛速度和学习能力;此外,该方法不依赖被控对象的解析模型,仅基于系统输入、输出信息完成控制器设计,并通过对电机转矩的动态调整,实现轮轨间黏着的最优利用。仿真结果验证了该方法的正确性和有效性。

基于改进混合算法优化RBF网络的滤波器建模

为构建精确的微带线滤波器神经网络模型,提出一种结合自适应遗传算法和改进粒子群算法的混合算法。在自适应遗传算法中,构造二次型选择策略以提高优秀个体的复制概率,加快收敛到初始全局最优解;利用粒子群算法良好的局部搜索能力,在标准粒子群算法的位置迭代公式中引入高斯扰动项,以克服收敛速度慢和早熟收敛的缺点,提高搜索全局最优解的可能性。通过对测试函数仿真,验证改进算法的可行性。最后将混合算法用于优化神经网络参数,建立平行耦合微带线滤波器模型。结果表明,滤波器参数S21和S11的均方根误差至少减小18.22%与12.68%,微带滤波器建模精度得到提高,验证了该算法对滤波器建模的有效性和可靠性。

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．

基于RBF神经网络的高斯混合近似算法

在分析RBF神经网络基本结构的基础上,提出一种基于RBF神经网络求解非高斯概率密度近似为高斯概率密度和的方法。该方法通过选取高斯函数作为神经网络的径向基函数,提取训练好的网络参数,运用这些参数构建混合成分的函数模型。理论分析与仿真证明,与传统采用EM近似算法相比,该算法具有求解跟初值的选取无关、能避免发散、收敛快的特点。

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。

RBF神经网络在柔性触觉传感器解耦中的应用

针对柔性触觉传感器模型高度非线性、解耦难度大等问题,提出一种有效的方法来模拟柔性触觉传感器在实际应用中含噪声的情形。首先在理想条件下的传感器模型上添加不同幅度的高斯白噪声并建立其数学模型,之后通过K-均值和递归最小二乘法优化RBF神经网络,并利用优化后的RBF神经网络算法逼近受噪声干扰的传感器阻值与形变之间的高维非线性映射关系,最后基于不同的展开幅度通过行列阻值解耦出传感器三维形变信息,获得了较好的解耦精度。解耦结果表明,RBF神经网络算法具有较强的鲁棒性和抗噪声能力,能够很好地逼近含噪声的传感器高维非线性数据之间的映射关系。

基于NIOS的湿度传感器数据处理RBF神经网络实现

RBF神经网络具有较强的拟合能力和稳定性,得到了广泛的应用。以FPGA芯片为核心器件,设计实现RBF神经网络。利用SOPC Builder设计硬件架构,通过添加指令,在NIOS环境下利用C语言进行设计,这样就解决了利用Verilog或VHDL设计消耗资源多和软件模拟耗时多的问题。最后以Altera公司的Cyclone IV系列芯片作为验证器件,结果表明该方法实现简单,可靠性强,消耗资源少。

RBF neural network based on q-Gaussian function in function approximation

提高光线的基础功能(RBF ) 的归纳性能神经网络，一个 RBF 神经网络基于一个 q-Gaussian 函数被建议。q-Gaussian 功能被选择为 RBF 神经网络的光线的基础功能，并且一个粒子群优化算法被采用选择网络的参数。非广泛的 entropic 索引 q 被编码为粒子并且在人口的进化过程适应地调整了。函数近似的模拟结果显示一个 RBF 神经网络基于 q-Gaussian 功能完成最好的归纳性能。

基于自适应RBF神经网络的电网变压器故障检测

变压器的故障诊断方法大部分以油中溶解气体为诊断基础,如目前较为常用的四比值法、三比值法等。但存在“编码盲点”、故障诊断准确度不够等问题。本文提出一种基于自适应RBF神经网络的电网变压器故障检测方案,算法输入层节点只会把信号传送到隐含层。在隐含层中,通常使用高斯函数来对所得到了输入向量响应。输出层则是使用一般的线性函数来对输出进行加权。这种模式是一种标准的前向网络模式,能够使得神经网络的输入空间与输出空间得到映射,进而为分类网络并实现函数逼近,提高了网络收敛速度。仿真实验结果表明,本文提出的自适应RBF网络在故障诊断的准确率以及诊断时间的表现皆优于BP、GA-BP神经网络,所在在变压器故障诊断时,可以优先考虑自适应RBF神经网络。

基于FPGA的Gaussian传输函数实现

Gaussian函数作为RBF神经网络常用的激活函数,在FPGA上实现Gaussian函数,有利于提高神经网络的运算速度。本文简要介绍了Gaussian函数模型,并基于FPGA平台,分析了几种实现复杂函数的方案,最终采用分段拟合的方法对Gaussian函数进行逼近。首先用MATLAB对Gaussian函数进行初步的拟合,在FPGA平台用Verilog HDL语言实现Gaussian函数。仿真结果表明,误差可以控制在较小的数量级,满足神经网络运算的精度。

基于正交最小二乘法的径向基神经网络模型

为提高神经网络模型的预测精度以及提高模型的计算效率,减少获得高精度模型的计算量,构建了基于正交最小二乘法的高斯径向基神经网络模型结构,给出了最小二乘法高斯径向基神经网络的递归模型.依据样本点序列信息,给出了高斯径向基函数中心参数的确定方法,并采用正交最小二乘法回归迭代,从而获得隐层同输出层间的连接权参数值.采用混沌Lorenz时间序列预测问题对该设计的网络模型进行验证,并同其他文献对该序列预测的精度以及迭代所需的时间作对比.结果表明,采用该设计方法获得的网络模型具有时间预测精度高及计算效率高等优点.

基于径向基神经网络的水下振动物体辐射噪声级别分类研究

运用径向基神经网络,利用水下振动物体内表面加速度信号对其辐射噪声级别进行分类,达到判断其声隐身性的目的.该方法的运算量较传统方法大大降低,极大地提高了计算速度.实例表明,该方法能较准确地对水下振动物体辐射声场声压级别进行分类,进而对其推广应用于潜艇提供了较好的依据.

面向任务和基于几何特征的机器人多指手抓取模式规划

针对机器人多指手自身的特点,通过分析人手的抓取特性,对其可能具有的抓取模式进行分类。考虑被抓取物体的几何特征和任务要求,采用基函数为高斯核函数的RBF神经网络来表示被抓物体的样本特征和抓取模式之间的复杂非线性映射。将抓取模式分为10类,对于新的被抓物体,利用训练好的神经网络自动生成抓取模式,并利用VC++/OpenGL建立了可视化仿真平台,进行了抓取模式分类仿真实验,结果表明对于新的物体,机器人可以选择适当的抓取模式进行抓取。

基于神经网络的大跨度屋盖非高斯风压场模拟方法

采用径向基函数神经网络(Radical Basis Function Neutral Networks,简称RBF神经网络)来模拟大跨度结构的非高斯风压场.根据某大跨度结构的形式特点,将结构风场看成是屋面位置和时间的函数,将风压场分解为一系列径向基函数.再利用单调非线性无记忆转换映射和RBF中获得的风场函数定义向量过程,从而将非高斯场的模拟转换为互相关高斯过程的模拟.将RBF神经网络应用于一大跨度屋盖的非高斯场模拟,得到结构上非高斯风压场的分布.结果对比表明,RBF神经网络模拟非高斯风压场具有较高的准确性.该方法可直接利用RBF神经网络的输出结果,避免推导高斯过程和非高斯过程的关系式,因此具有较高的效率.RBF神经网络模拟非高斯风压场在准确性和效率上均具有显著优势.

高斯核正则化学习算法的泛化误差

对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.

基于改进飞蛾优化算法的Hammerstein系统辨识

研究了在重尾噪声影响下多输入多输出(MIMO)Hammerstein系统的辨识问题。考虑到传统辨识方法在重尾噪声干扰下可能会失效,结合RBF神经网络和飞蛾优化(MFO)算法的优势,提出一种新型的辨识方案。利用RBF神经网络拟合静态非线性模块,通过将辨识问题转化为优化问题对线性部分和非线性部分的参数同时进行更新。为了提升飞蛾优化算法的辨识性能,将高斯混合分布思想引入到飞蛾位置更新中,提出一种新型的高斯混合飞蛾优化(GMFO)算法。实验结果证明了所提方法的有效性。