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。

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。

融合深度学习与回归残差神经网络的流量预测方法

针对流量预测的精度不高的问题,提出一种融合深度学习与回归残差神经网络的流量预测方法。考虑到流量数据时空相关性,通过CNN-LSTM网络挖掘流量数据的时空相关性,在此基础上,构建回归残差RBF神经网络实现残差推理。实验表明,本模型比传统的模型误差3.3%左右,迭代速度提升15%左右,可以看出,模型在一定程度上提升了流量预测的准确性。

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。

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。

基于自回归RBF神经网络的帕金森状态预测

针对受控自回归模型辨识精度不高的问题,采用自回归径向基函数(RBF)神经网络辨识基底核(BG)模型的输入刺激频率与输出β频段(13~35 Hz)振荡功率之间的关系。采用梯度下降法确定模型参数,提高模型预测精度。在相同刺激条件下,以BG模型输出与模型预测输出之间的均方根误差(RMSE)和相关系数作为PD状态的预测指标。受控自回归模型辨识相关系数为84.07%,RMSE为27.96;RBF预测模型辨识相关系数为92.78%,RMSE为17.89,结果表明RBF预测模型辨识精度更高。利用自回归RBF神经网络模型能够很好地辨识刺激频率与β功率之间的关系,为以后依据β功率的变化选择恰当的刺激频率参数提供了更好的方法,减轻PD患者的痛苦。

基于线性回归与神经网络的储层参数预测复合方法

为提高储层参数的预测精度,提出一种利用测井资料,结合多元线性回归和神经网络预测储层参数的新的复合方法,具体分两步:(1)通过多元线性回归分析建立回归值y'的计算模型,将y'作为储层参数的初步预测值;(2)通过RBF神经网络建立y'的残差Δd的预测模型,将预测结果Δd作为y'的非线性误差补偿,最终建立储层参数解释模型,y=y'+Δd。基于该方法,结合测井资料和岩心数据,建立了鄂尔多斯盆地某致密砂岩气田M3井区S_2~2、T_2~2段孔隙度和含水饱和度的测井解释模型,结果显示,新方法建立的模型预测值与S_2~2、T_2~2段实际岩心孔隙度、含水饱和度值的平均相对误差均小于17%,明显优于单独根据多元线性回归分析或RBF神经网络建立的解释模型,预测精度更高。

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1~2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。

基于RBF神经网络和M距离的卫星故障诊断

在常规基于解析冗余故障诊断技术的基础上,采用具有最佳模拟特性的RBF神经网络对系统进行建模,分析了M距离应用于卫星姿态控制系统故障检测与定位的可行性,应用基于M距离的方法设计故障检测观测器,通过对残差的评估实现故障诊断。仿真结果显示,该方法计算过程简单、实时性好。

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3个数据、连续缺失3个数据和连续缺失5个数据情况下,平均百分比绝对误差分别为0.67%,0.66%和1.33%,修复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。

基于交叉验证的逐步回归结合RBF神经网络在QSAR中的应用

提出将交叉验证方法和逐步回归方法相结合实现建模变量的筛选 ,与RBF网络相结合用于建立定量构效关 (QSAR)研究的数学模型 ,并用于不对称有机磷的QSAR研究。

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明:(1)与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;(2)与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;(3)BP和RBF方法建立的模型拟合精度总体上较接近;(4)基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;(5)基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R2为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R2为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。

逐步线性回归与神经网络预测的算法对比分析

逐步线性回归能较好地克服多重共线性现象的发生,因此逐步回归分析是探索多变量关系的最常用的分析方法,智能算法是现代数据分析的主要方法。本文通过一个实例进行了对比研究,预测结果显示:在预测的精度上,在隐含层数目相同时,RBF径向神经网络>BP神经网络>逐步线性回归>ELM极限学习机。通过对比分析,发现神经网络方法较回归分析预测效果更好,误差相对较小。

RBF神经网络在道路交通事故预测中的应用

分析了RBF神经网络在事故预测领域的适应性,提出了采用RBF神经网络建立道路事故预测模型.利用我国1990-2009年道路交通事故数据,运用RBF神经网络建立了非线性回归预测模型,并利用该模型预测了2000-2010年的道路交通事故死亡人数,结果显示该模型具有较高的可靠性,可为我国道路交通管理提供数据支持.

基于多重线性回归P值检验的RBF神经网络模型在城市需水预测中的应用

基于多重线性回归模型P值检验，根据构建的3种不同影响因子输入的RBF需水预测模型，对上海市2006～2010年需水量进行预测。结果表明，RBF需水预测模型合理可行，具有较好的预测精度和泛化能力，可作为提高需水预测精度的有效途径和方法。

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。

RBF神经网络在可溶性糖含量预测中的应用

在小麦(Triticum aestivum L.)幼苗生长过程中,将RBF神经网络应用到可溶性糖含量的预测和数据变化的分析中,试验数据经过RBF神经网络的训练和仿真后得到,网络输出结果的误差小,网络输出矢量与目标矢量相关性好。说明可以将RBF神经网络作为农作物幼苗生长中预测数据变化的有效方法。

非线性飞行混沌运动的修正RBF神经网络控制

如何求神经网络控制使非线性空间飞行混沌运动不会发生。该法是在输出层用回归权代替常数权再用EM算法来估计回归权的参数 ,这样修正的RBF的神经网络控制就可使非线性空间飞行不会出现混沌现象。这种算法R Langari,L Wang&J Yen (1997) [1] 在研究径向基函数网络时提出过。其突出的优点是把复杂的多参数的最优化问题分离为N个小型最优化问题 ,这里N是隐藏层单元数。

地质勘测中力学参数反演问题的回归神经网络方法

针对地质勘查中如何确定土的力学参数问题,提出了一种基于神经网络的新方法。考虑到土的物理参数测定方法比较简单,且实测变异性小,而力学参数实测变异性大的特点,利用神经网络有较好的数值逼近能力的特点,建立了回归型RBF神经网络模型来逼近两者之间的函数关系。通过实例分析,该方法可以有效地反演力学参数。