基于沙漏状数据处理单元和分组RBF单元的对抗性免疫防御方法

针对深度神经网络(DNN)容易受到对抗样本攻击的问题,研究人员提出了许多防御方法,可分为外部防御方法(EDM)和免疫防御方法(IDM)。外部防御方法试图在将对抗性样本输入DNN之前去除其中存在的对抗干扰,而免疫防御方法则致力于提升DNN本身的鲁棒性,本文重点研究免疫防御方法。现有的免疫防御方法主要基于鲁棒优化策略来提升DNN的鲁棒性,为DNN构建鲁棒模块的工作较少。本文在DNN中引入了2个新的鲁棒单元:基于特征压缩和精度注入的沙漏状数据处理单元,用以减小对抗性扰动的干扰;分组径向基函数单元,用于增强DNN的非线性和适应类内变化的能力。在优化过程中使用标签平滑、退火策略和权值衰减来进一步提高鲁棒性。在2个数据集(MNIST和CIFAR-10)以及2个流行的DNN模型(LeNet5和VGG16)上的实验表明,将所提出的鲁棒单元集成到DNN中可以大幅提高其对对抗性攻击的免疫能力,同时保持其在干净样本上的识别性能。

弹性地基梁板的径向基函数逼近求解方法

基于Winkler模型对弹性地基梁和弹性地基板的挠度求解提出了一种新方法。利用加权余量法中的配点法结合径向基函数逼近得到挠度近似解,该方法无需划分网格且无需积分是未知数与方程数目一一对应的强形式解法。数值实验表明:该近似解结果与理论解基本吻合,计算效果与杂交边界法相当,优于滑动最小二乘法;此外,根据边界条件可赋予附加未知量物理意义,将部分特征矩阵构造成单位阵从而降低了待求方程组的求解难度,减小误差,为特征矩阵附加行的编写提供了新思路。

基于改进径向基函数神经网络的图像识别系统设计研究

为保证神经网络的并行计算能力,降低神经网络计算复杂度,基于改进径向基函数(radial basis function, RBF)神经网络设计了一款功能完善、实用性强的图像识别系统。首先,从图像识别系统架构、图像识别系统业务流程、系统运行环境搭建三个方面入手,确定系统设计方案。其次,结合基于改进RBF神经网络算法,完成基于改进RBF神经网络图像识别系统的设计。最后,将改进RBF神经网络图像识别算法与其他三种算法进行实验对比。结果表明:本文系统采用的改进RBF神经网络算法识别效率高,与LeNet-5、AlexNet和VGG16三种算法相比,其平均识别时间明显缩短50%,完全符合实际应用需求。

基于RBF神经网络的无线电信号自动调制识别方法

无线电信号自动调制识别存在信号识别准确率低的问题。因此,设计基于径向基函数(Radial Basis Function,RBF)神经网络的无线电信号自动调制识别方法。提取无线电自动调制信号特征,划分调制信号为若干信号块,识别调制类型。基于RBF神经网络构建信号自动调制识别模型,将RBF作为隐单元的“基”,并通过隐单元函数空间,映射调制信号矢量特征到隐空间,通过调制信号瞬时角频率偏移情况,确定自动调制类型,实现无线电信号的自动调制与精准识别。开展对比实验,实验结果表明该方法的识别准确率更高,能够应用于实际生活。

一种基于径向基函数的图像预畸变算法

为了校正近眼显示中的畸变图像,提出了一种基于非线性拟合和向前映射插值的图像预畸变算法。采用了径向基函数拟合算法,以得到更高精度的拟合原图像和预畸变图像之间的映射关系;采用了基于向前映射的紧支撑径向基函数插值算法进行图像灰度重建,以得到更好的图像畸变校正效果。实验结果表明,径向基函数拟合算法的拟合误差可以降到1像素以内,校正精度达到亚像素级;预畸变算法对近眼光学系统产生畸变具有良好的校正效果,显示图像清晰完整。

一种用于径向基函数(RBF)神经网络训练的有效方法

提出了一种用于径向基函数（RBF）神经网络训练的新方法,即Gauss-Jordan与求广义逆（genemalinverse）的复合法。仿真结果表明,此方法训练速度快,实时性强,其收敛性和收敛精度均比正交最小二乘算法（OLS）效果好。

基于梯度下降法选取高斯径向基函数形状参数

高斯径向基函数是径向基函数中常用的函数,对于高斯径向基函数插值形状参数的取值,常规的方法一般是通过人工修改形状参数的取值,计算成本较高,插值精度较低。本文基于梯度下降算法,通过设定针对性的目标函数,通过迭代的方式得到形状参数,有更好的插值效果,为高斯径向基函数的应用提供了更加便捷的途径。

基于卡尔曼滤波算法和双径向转移函数的RBF型神经网络

RBF径向基函数神经网络具有训练简洁、学习效率快、不易陷入局部极小等优点,广泛应用于信号处理与模式识别。虽然常用的RBF网络比较容易构建,但因其结构通常固定或者复杂度较高,从而导致学习时间过长或网络资源的浪费。针对上述原因,提出利用扩展卡尔曼滤波器作为RBF的学习算法,并在隐层中使用双径向函数。通过对逼近基准的结果分析,清楚地表明该算法比其他分类网络模型具有更强的泛化性。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于NSGA-Ⅱ传感位置优化的曲面重构及误差补偿方法

通过优化光纤布拉格光栅形状传感技术中传感点位置和补偿重构结果来提高薄层合金板三维形状重构精度。通过ANSYS workbench建立合金板仿真模型,提取应变和位移模态振型,根据模态置信准则、转换矩阵稳定性和模态振型相似性分别设计了三个目标函数,采用快速和精英机制的多目标遗传算法优化传感器位置。将镍钛合金板弯曲成不同曲率半径的弧形,利用光纤布拉格光栅中心波长漂移量和线性插值算法计算得出不同形状下的结构应变,重构合金板形状,均方根误差和最大误差相较于单目标优化算法分别减小30%和15%。利用粒子群优化径向基函数神经网络算法拟合误差与位移的关系实现误差补偿,均方根误差和最大误差比无补偿时分别减小了90%和70%,最大相对百分比误差仅为5%,提高了三维形状重构算法精度。

采空区移动变形的径向基函数神经网络概率积分法(RBF)反演

借助部分矿区地表移动实测数据,选用径向基函数(RBF)神经网络对概率积分法的计算参数进行反演,采用K层交叉验证对模型精度进行优化,并与BP神经网络模型和SVM模型预测结果进行对比,发现RBF模型精度均优于BP模型和SVM模型,且其稳定性较好。可为概率积分法预测评估采空区地表移动变形范围提供一种可靠的方法。

基于累积灰色径向基函数模型的建筑能耗预测

针对公共建筑逐月能耗呈现周期性震荡的特点,本文提出了基于函数组合变换的累积灰色径向基函数(TGM-RBF)神经网络预测模型,以实现对公共建筑能耗的预测。采用西安地区某公共建筑逐月能耗模拟数据及2010年—2017年中国建筑业能耗实测数据,分别构建累积TGM-RBF模型、累积TGM(1,1)模型和GM(1,1)模型对建筑能耗进行预测,并对预测结果进行了对比。结果表明,组合模型较单一模型的预测精度更高,预测精度分别提高了7.31%、6.46%以及0.95%、0.83%。

径向基函数(RBF)神经网络及其应用

介绍了径向基函数(RBF)神经网络的原理、学习算法及其在地震预报专家系统ESEP 3.0中的应用。实际应用结果表明, 该神经网络可以很好地克服BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷, 具有较快的运算速度、较强的非线性映射能力和较好的预报效能。

基于层次分析法和径向基函数神经网络的中长期负荷预测综合模型

中长期负荷预测是电力系统规划与运行的基础工作,提出基于3指标量,即指标总量、指标增长量和指标增长率的综合模型。首先构建层次分析(analytic hierarchy process,AHP)模型,分别对3个指标量进行分析评价,优选出每个指标量的最优预测模型,然后利用径向基函数(radial basic function,RBF)神经网络对3个最优模型的预测结果进行拟合,并将GDP因素也作为神经网络输入数据之一,输出最终的预测结果。AHP模型中综合考虑了模型预测误差和模型拟合度,并成功地加入了人工干预的因素,依据专家经验判断模型的信任度和预测结果趋势可信度。AHP模型采用与预测时刻最近的历史数据进行分析,因此具有较好的实时性。实验结果表明该综合模型具有较高的预测精度,实际应用效果较好。

基于径向基函数响应面法的板料成形仿真研究

板料冲压成形过程中,系统的输入参数具有较大的随机性,并且系统优化通常需要满足多个目标。针对目前一些流行算法在精度和效率上存在的不足,提出了基于径向基函数响应面法的板料冲压成形过程可靠性设计方法。通过超拉丁立方抽样实验设计,选择了适当的设计参数样本,建立了基于径向基函数的板冲压成形过程响应面模型,分析响应面模型中各个目标对应的响应值,得出影响系统的最主要因素,并获得最佳冲压成形工艺参数范围。通过实际生产,验证了该方法对提高板料冲压成形过程的可靠性是有效的。

一种基于径向基函数的短期负荷预测方法

为克服传统K均值聚类法局部寻优的缺陷,提出了基于确定性退火聚类选取径向基函数(RBF)网络隐层节点中心的方法,并采用遗传算法有效地解决了径向基函数网络的学习问题。在选择学习样本时,根据相似度方法,综合考虑了日期类型、星期类型、天气因素和曲线特性的影响。实际应用表明本方法能够改善预测精度,提高预测速度。

参考作物腾发量预测的径向基函数法

探讨了采用径向基函数网络模型进行参考作物腾发量预测方法的可行性，设计多组数字实验处理研究了输入因子间相关性对网络模型预测准确性的影响，预测结果与Ｐｅｎｍａｎ－Ｍｏｎｔｉｅｔｈ方法计算结果比较表明，所确定的模型与改进的Ｐｅｎｍａｎ公式计算值有很高的一致性，具有一定精度。

径向基函数在无单元方法中的应用

采用基于径向基函数的无单元法求解微分方程 ,探讨 2种径向基函数的性质 ,得到了基函数中自由参数与求解精度的关系曲线 ,以及节点均布时自由参数最佳取值的计算公式及其数值 ;将节点均布下得到的自由参数取值公式应用于节点任意排列的情况 ,其求解精度仍能得到保证 ;比较了无单元方法在节点均布与否 2种情况下的计算精度 ,其求解结果变化不大 ,均满足精度要求 ,说明这种无单元法对节点位置不敏感。

径向基函数网络红外光谱法用于中药大黄样品的真伪分类

将径向基函数网络与红外光谱分析技术相结合,对正品和非正品大黄样品进行分类判别。采用小波变换对原始数据进行压缩,将原来的775个数据点压缩到4 9个变量,既保持了原来的特征谱峰又提高了网络的训练速度。对4 5种样品进行了测定和鉴别,正确率可以达到97 78%。并对影响分类结果的网络参数,目标误差和分布函数对样品分类的影响做了讨论。红外光谱法与神经网络相结合用于中草药的分类鉴定更加快速和方便。

基于径向基函数的曲面重建算法

针对基于传统径向基函数的数据插值方法在重建大量数据点云曲面时的困难,提出将数据点先分割再分别重建的方法.将点云的包围盒沿坐标轴分割,两两合并相邻的方块,使得方块相互重叠且覆盖整个包围盒.对每个包围盒内的点用径向基函数方法插值,利用窗口函数将每个函数限制在各小方盒内求和得到最终的整体插值曲面.借助MC(marching cubes)方法得到三角网格曲面.每个方块内点云的重建过程可以并行实现,因此该方法非常适用于对重建效率要求较高的场合.