径向基函数神经网络的分类机理

本文研究了径向基函数网络（ＲＢＦＮ）的分类机理问题。在Ｒｕｃｋ工作的基础上，通过与传统的基于Ｐａｒｚｅｎ窗估计核分类器做类比，本文从模式分类机理入手，分析了ＲＢＦＮ使用正、负两类训练样本来估计判别函数的特点，指出它优于核分类器，并讨论了相应情况下ＲＢＦＮ输出层连接权、模式分类判决域的特点。最后用多类模式分类的结果对上述理论进行了验证。

径向基函数神经网络应用于反向工程曲面重构的研究

讨论了目前反向工程中曲面重构的方法 ,提出将径向基函数神经网络应用于自由曲面的拟合 ,并对该方法理论上的可行性和实践上的实用性进行了讨论和验证 ,证明了径向基函数神经网络应用于解决曲面拟合问题的可行性 。

基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用

针对复杂时间信号动态模式分类问题,提出了一种基于局部核函数与全局核函数组合的径向基过程神经网络(RBFPNN)模型。考虑时间信号过程特征的多样性和复杂性,以及核函数对信号分布形态特征的局部与全局表征能力,通过将具有全局性质的多项式核函数与具有局部性质的高斯核函数进行线性叠加,构成组合核函数,以此建立一种新的径向基过程神经网络,从信息模型上改善RBFPNN对动态样本复杂过程特征的抽取和记忆性质,提高网络对时间信号特征的辨识能力。分析了基于RBFPNN的性质,建立了基于混沌遗传算法CGA的模型参数优化算法。以基于示功图的往复运动机械工作状态诊断为例,实际资料处理结果验证了模型和算法的有效性。

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征,而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模,两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件.但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解.为了克服这一问题,本文充分利用无网格法能够灵活构建数据样本的优点,提出了一种径向基函数前置卷积神经网络模型.该网络通过径向基函数的前置,提前激活输入数据,实现了非线性变换和数据特征维度跃升,随后再将数据传入传统卷积层得到输出.由于所提网络模型具备线性求解的特点,能够有效提升预测精度与计算效率.在数值算例中,通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果,系统验证了所提网络模型的有效性.

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。

基于径向基函数神经网络的线性衰减系数的重建算法

层析γ扫描(TGS)技术是非破坏性分析(NDA)中的一项重要技术.在TGS透射测量中,线性衰减系数值的图像重建问题是TGS的难点和核心问题.在文[1]的基础上,提出了将神经网络方法应用于TGS重建线性衰减系数图像的算法.计算机上的仿真模拟结果表明,在一定范围内,径向基函数(RBF)神经网络方法重建的线性衰减系数值与实际值的相对误差小于4%,且具有快速、高精度等优点,表明了此方法的有效性.

径向基函数神经网络在反向工程曲面重构中的应用

将径向基函数神经网络应用于自由曲面的拟合。为解决反向工程的技术关键──自由曲面的重构提供了一个新的途径。

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。

基于神经网络的射频功放行为模型研究

为了设计和优化高线性功率放大器,在系统级仿真中,构建功率放大器精确的行为模型是极为重要的。在ADS中基于飞思卡尔半导体芯片MRF5P21180进行功放电路设计,运用BP和RBF以及在这两种网络的基础上所提出的级联模型BP-RBF对从设计的功放中提取出的电压数据进行MATLAB拟合仿真,通过电压均方根误差(RMSE)大小的比较进行模型精确性的验证、训练次数多少及收敛时间长短进行模型训练速度的对比,最终得出BP-RBF较其他两种模型有更好的拟合功能,对于射频功放行为模型的研究具有重要的参考价值。

基于人工神经网络的水库水资源规划管理

水库管理直接影响水库中水资源利用效率。文中采用两种人工神经网络方法对水库进行管理,通过预测给定水库未来的月流入量和每月蒸发量来估计每个月底水库的总蓄水量。研究中采用的人工神经网络方法是径向基函数(RBF)和前馈-反向传播(FFBP)方法。将人工神经网络的结果与新疆某水库实际运行的结果进行了比较,结果显示,人工神经网络能够较为准确地反映水库实际蓄水量,能有效应用于水库管理。

基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测。仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型。

全结构遗传优化径向基概率神经网络

使用遗传算法来实现径向基概率神经网络 (RBPNN)的全结构遗传优化 ,包括优选网络第一隐层节点数和求取匹配的核函数控制参数 .提出了适用于RBPNN的染色体编码方式 ,不仅使得所选隐中心矢量充分体现了模式样本的空间分布特征 ,同时还能够获得隐中心矢量的最佳数目及匹配的核函数控制参数 .新构造的适应度函数能够有效地控制网络输出的误差精度 .实验结果表明 ,该算法有效地简化了RBPNN模型的结构 .

反向传播网络与径向基网络函数逼近的仿真比较

目的对反向传播网络与径向基网络的函数逼近进行仿真比较。方法依据反向传播算法与径向基算法,对某一特定函数进行仿真逼近。结果仿真实验表明:两者都有很好的逼近能力,径向基网络的逼近性更好。结论反向传播网络在函数逼近方面差的原因是激励函数的全局性、隐层结点数目的不确定性。

基于神经网络的故障率预测方法

为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归-移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明:这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。

一种新的基于神经网络的电力系统谐波检测方法研究

随着各种电力电子装置广泛应用于电力系统中,电网中的谐波污染问题日趋严重。为有效抑制电力系统各次谐波所带来影响,必须首先分析其谐波成分。本文提出了一种基于RBF神经网络的电力系统谐波检测方法,并采用Matlab软件进行仿真,与基于BP神经网络相比,该方法在谐波检测的幅值和相位上有更高的精度,且训练时间更短,实时性好,因此在电力系统谐波测量中有一定的应用价值。

基于RBF神经网络的产品概念设计方案评价

分析了现有评价方法存在的问题,利用Matlab神经网络工具箱构建了RBF网络模型,并以冰箱为实例进行评价。RBF神经网络采用监督学习算法和正交最小平方(OLS)算法决定基函数的中心、方差以及隐含层到输出层的权值。与BP神经网络模型的评价结果对比,建立的RBF神经网络评价模型具有更高的预测精度,收敛速度更快。

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。

基于BP神经网络的PID控制器研究

BP神经网络的PID控制器依赖于灵敏度信息实现参数在线调整,获得灵敏度信息非常重要。利用符号函数来获得灵敏度信息,计算不精确,利用RBF对被控对象在线辨识获得灵敏度信息,收敛速度慢。提出了一种新方法,即在RBF神经网络辨识的基础上,当误差较大时,利用符号函数获得灵敏度信息,以加速收敛;当误差较小时,利用RBF神经网络在线辨识获得灵敏度信息,以提高控制精度。仿真结果表明算法收敛速度快、精度高,控制效果优于符号函数实现的参数调整方法。

基于神经网络方法预测翅片参数对车用中冷器性能的影响

鉴于翅片几何参数对换热器流动传热性能影响的典型非线性特性,采用人工神经网络技术对该问题的可行性进行了研究。利用风洞试验数据作为学习和测试样本,将翅片的高度、节距、扭幅和波长作为输入变量,分别建立了3层反向传播(BP)神经网络和径向基函数(RBF)神经网络,对其进行学习训练与优化后,用来预测波纹翅片几何参数变化对中冷器性能的影响。预测结果表明:BP神经网络预测平均误差在5.5%以内,满足工程实际需要,可以减少大量的试验工作量;而RBF神经网络预测误差非常大,完全不适用于该问题的研究,并对可能原因进行了分析。