基于多元回归-神经网络的船型参数优选分析

以肥大型船舶模型的试验数据为研究对象,分析单一船型参数与剩余阻力系数和自航因子的相关性。基于多元回归分析和径向基函数(Radial Basis Function,RBF)神经网络,对船型参数的数学建模预测方法进行研究。选取船舶主尺度参数,以及横剖面面积曲线和设计水线面这2类船舶型线特征参数,通过多元二次回归和RBF神经网络分析,得到对船舶性能产生重要影响的主要船型参数及其最佳组合,建立肥大型船剩余阻力系数和自航因子的数值预测模型。数值计算和试验测试结果表明,与只包含主尺度参数的预测模型相比,包含船舶型线特征参数的预测模型具有更好的准确性,可为船舶型线优化设计提供参考。

基于神经网络的模糊半参数回归模型

本文把样条基和BP (Back Propagation)神经网络的基本原理结合起来,从而提出了一种具有模糊输入和模糊输出的自适应模糊半参数回归模型。对于所提出的自适应模糊回归模型较好地解释了模型的内在依赖性和模糊性。文中借助截断幂基作为模型的一部分,然后与非参数部分结合构造半参回归模型。利用BP神经网络预测模型中的观测输出值,然后利用LR-型模糊数的交叉验证准则和基于绝对偏差的距离测度。通过求解光滑函数、光滑函数的光滑参数带宽和回归模型的未知系数,实现了构造自适应模糊半参数回归的目标函数优化问题。通过实例并计算模型的拟合度表明所提出的模型的有效性,该策略也显著提高了所提出算法的拟合优度,并为模糊回归模型提供了数值不确定性之间的依赖框架。

RBF神经网络与logistic回归模型的对比研究

目的 RBF神经网络是一种重要的数据挖掘分类模型,探讨RBF神经网络在解决判别分析问题中的应用。方法通过实例比较RBF神经网络和logistic回归模型的性能优劣。结果 RBF神经网络的回代拟合效果和泛化能力明显优于logistic回归模型。结论 RBF神经网络在医学统计学领域中具有较好的应用前景。

支持向量机与RBF神经网络回归性能比较研究

支持向量机与RBF神经网络相比各有优缺点,通过对支持向量机与RBF神经网络的研究,从理论上分析了这两种学习机在回归预测原理上的异同,通过仿真实验对比了两者在测试集上的逼近能力及泛化能力。仿真结果表明,对于小样本集,支持向量机的逼近能力及泛化能力要优于RBF神经网络。对实际应用中回归模型的选择问题提出了建议。

用于干涉型光纤陀螺温度漂移辨识的RBF神经网络改进算法

针对干涉型光纤陀螺(IFOG)温度漂移的辨识,推导了径向基神经网络(RBFNN)中隐含层神经元、网络的抗噪声性能和拟合精度三者之间的关系,并在此基础上提出了一种新的径向基函数神经网络辨识学习规则.该方法具有很强的抗噪声性能,网络输出不会被陀螺噪声所污染,同时能动态地确定神经元数,辨识精度高,有效地避免了传统RBF网络学习算法中事先固定网络结构可能存在的盲目性.实验结果表明,该方法能够快速、准确地辨识IFOG的温度漂移.

基于BP神经网络和支持向量回归对比预测新拌自密实混凝土的工作性能

新拌自密实混凝土(SCC)的工作性能调控对其现场施工乃至后期硬化性能至关重要。为了进一步提高通过初始配合比预测新拌工作性参数的精确度,采用BP神经网络和支持向量回归(SVR)两种常见的机器学习计算模型来分析配合比输入变量与坍落扩展度、L型仪通过率和V型漏斗流出时间的潜在函数关系。在计算前按照60%,20%和20%的比例依次将数据集划分为训练集、验证集和测试集。采用三个机器学习性能评估指标,即决定系数R^(2),均方误差MSE和平均绝对百分比误差MAPE来表征和对比它们的预测精度差异。并且通过敏感性分析研究单一变量的变化对结果的影响趋势。结果表明,支持向量回归SVR模型对SCC坍落扩展度,L型仪通过率和V型漏斗流出时间的预测结果相比BPNN神经网络模型更高。以V型漏斗流出时间参数为例,基于SVR的总体数据集合R^(2),MSE和MAPE值分别为0.9213,0.8602和14.519,高于BP神经网络对应的0.9162,1.1281和18.007。参数敏感性分析结果表明,水泥掺量越高会导致坍落扩展度的减小和L型仪通过率,V型漏斗流出时间的增加。与此同时,水胶比和减水剂掺量的提高则会使得SCC扩展度提高。

RBF神经网络在深V型滑行艇阻力预报中的应用

基于SV、JYK系列滑行艇的阻力、浸湿面积、航行纵倾角试验数据,采用RBF神经网络建立了深V型滑行艇阻力预报数值图谱;针对艇艉底部横向斜升角变化的有限试验数据,提出了一种基于小样本试验数据的阻力修正方法。试验表明,该方法对深V型滑行艇（折角线长度与最大折角线宽度比在4-5.5,面积负荷系数在5.5-7,重心纵向相对位置在3%-9%,艉部艇底斜升角在5°-25°之间变化）阻力预报是可行的。在相同精度下,针对该文研究的问题,RBF神经网络所需时间少于BP神经网络。

基于Logistic回归和RBF神经网络的土壤侵蚀模数预测

[目的]寻求估算土壤侵蚀模数的新方法,并通过GIS实现对土壤侵蚀空间分布情况的预测。[方法]采用土壤侵蚀模数作为判别条件,分别验证基于Logistic回归和RBF神经网络而建立的土壤侵蚀预报模型的适用性,进而构建并验证改进模型——LOG-RBF神经网络土壤侵蚀预测模型。[结果](1)Logistic回归模型判别目标土地是否发生土壤侵蚀的优势明显,未发生和发生土壤侵蚀的预测正确率分别为77.4%和97.9%,总预测正确率为94.9%。(2)RBF神经网络模型估计土壤侵蚀模数的能力较强,模拟结果的相对误差和平方和误差分别为0.612%和13.292,R2为0.57。(3)LOG-RBF神经网络土壤侵蚀预测模型预测结果的相对误差和平方和误差比RBF神经网络模型模拟结果分别降低了0.157%和2.601。R2为0.82,拟合程度上优于RBF神经网络模型。随着土壤侵蚀模数的增大,错估现象呈逐渐减少趋势。通过受试者工作特征曲线的判别,LOG-RBF神经网络模型的曲线下面积值比RBF神经网络模型大0.063,模型判断的准确性更高。[结论]利用LOG-RBF神经网络土壤侵蚀预测模型可更准确地估计土壤侵蚀模数,基于GIS能够预测土壤侵蚀的空间分布情况。

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.

T-S型模糊RBF神经网络快速学习算法

针对Ｔ－Ｓ型模糊ＲＢＦ神经网络输入空间模糊最优聚类算法运算量大、运算速度低的缺点，提出基于输出空间模式聚类的快速学习算法，以满足多变量系统实时性要求．仿真结果表明该快速学习算法不仅可以达到要求的辨识精度。

基于Logistic回归和多层神经网络的Ⅱ型糖尿病并发症预测

研究了Ⅱ型糖尿病并发症的预测。针对相关诊断指标众多,直接应用传统的神经网络等模型预测,会带来无法适应多种并发症、运算速度较慢及预测准确率偏低等问题,提出了基于Logistic回归和多层神经网络(MNN)的Ⅱ型糖尿病并发症预测模型。该模型首先应用关联性分析,提取与5种不同Ⅱ型糖尿病并发症相关的诊断指标,经Logistic回归模型等分析得到强相关因子,作为预测模型的输入,再运用Python,构建基于多层神经网络的预测模型。实验结果表明,全血糖化血红蛋白测定,尿胆原定性实验指标,尿素和尿红细胞与绝大部分Ⅱ型糖尿病并发症直接相关。Logistic回归结合多层神经网络预测准确率高于单一Logistic回归模型,预测准确率基本保持在85%的水平上,对某些并发症的预测准确率达到90%以上,可以达到为Ⅱ型糖尿病并发症预测提供科学参考的目的。

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示:1对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;2对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。

基于RBF型人工神经网络的碳/陶瓷复合材料的化学成分对硬度的耦合影响分析

用RBF型人工神经网络研究了碳/陶瓷复合材料的化学成分对其硬度的影响。首先设计了RBF型神经网络模型,用"舍一法"进行了训练,使模型具有满意的预测性能。随后分析了化学组分对硬度的影响,包括单因素影响和双因素耦合影响。结果表明:材料的两种组分同时变化时,对硬度的影响更加复杂,呈现典型的非线性特征。

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构，讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性，表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统,提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,实现系统的智能控制。仿真结果表明,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。

基于RBF神经网络的回归树学习算法

介绍了一种新的非参数回归RBF神经网络学习算法,该算法将RBF神经网络与回归树结合起来使用。回归树的基本思想是通过递归分割将输入空间划分为两部分,对函数进行逼近。由于每一次划分都与轴平行,因此可以用输入分向量满足的不等式来描述每一次划分,从而输入空间就变成了一个用超矩形构成的回归树(二叉树)。回归树的结点可以很容易地转换为径向基函数,通过对回归树结点的访问,可以选择出使网络达到最优的基函数集,形成最终的网络。该算法可以应用到函数逼近、图像处理等各方面。

多项式函数型回归神经网络模型及应用

文中利用回归神经网络既有前馈通路又有反馈通路的特点 ,将网络隐层中神经元的激活函数设置为可调多项式函数序列 ,提出了多项式函数型回归神经网络新模型 .它不但具有传统回归神经网络的特点 ,而且具有较强的函数逼近能力 .针对递归计算问题 ,提出了多项式函数型回归神经网络学习算法 ,并将该网络模型应用于多元多项式近似因式分解 ,其学习算法在多元多项式近似分解中体现了较强的优越性 .通过算例分析表明 ,该算法十分有效 ,收敛速度快 ,计算精度高 ,可适用于递归计算问题领域 .

基于RBF神经网络的挤出吹塑中型坯尺寸的预测

在利用BP神经网络预测挤出吹塑中型坯尺寸工作的基础上,采用径向基神经网络(RBF)来预测挤出吹塑中型坯尺寸,并与BP神经网络的预测结果进行了比较。结果表明,虽然RBF与BP神经网络均能较好地预测挤出吹塑中型坯尺寸,RBF网络的训练时间比BP少很多,只是BP的0.7%。

旋转机械故障诊断中的改进型RBF神经网络算法研究

为克服BP网络在机械故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于最近邻聚类学习算法的改进型RBF神经网络模型,并将该模型应用于旋转机械的故障诊断中.应用结果表明,改进型RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性.

基于PCR和RBF神经网络的城市智能增长水平评价模型

城市智能增长已经成为城市规划者和决策者广泛采用的一种建设城市的环保方式,这对衡量城市智能增长水平具有实际意义。在本文中,定义理性度(RD)来描述城市智能增长的水平,通过主成分回归(PCR)和径向基函数(RBF)神经网络建立RD评价模型。以玉门和Otago为例进行研究,二者的RD值分别为0.04482和0.04591,这表明这2个城市智慧增长计划都取得了一定的成功,Otago的城市发展水平优于玉门,同时研究发现玉门应优先考虑城市绿化与环境保护,而Otago则要优先考虑经济发展。本文模型为追求科学智能增长的城市提供了有力的参考。