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%。

基于径向基函数(RBF)网在线建模的民航安全风险监测仿真系统设计与实现

通过分析国内外民航安全风险监测的研究现状,指出当前我国民航安全风险监测方面的不足,进而提出了基于径向基函数(RBF)网在线建模的民航安全风险监测仿真系统。在仿真系统设计中,详细讨论了实现系统的网络拓扑结构、体系结构,并将仿真系统分为三大功能模块,提出以安全隐患指标和安全性能指标分别作为仿真模块的输入段和输出段。在该基础上,利用C#语言和SQL SEVER数据库共同开发出该模拟仿真系统,并以空管仿真系统华东管理局年度仿真实例作了验证。

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。

基于径向基函数神经网络的脑损伤电阻抗成像仿真研究

目的:基于径向基函数(RBF)神经网络对不同脑损伤场景目标进行电阻抗断层扫描(EIT)图像重建,评价不同状态下损伤预测准确率,为后期成像方法优化奠定基础。方法:基于COMSOL仿真建模软件建立多层圆域仿真模型,利用外部插件编程实现模型循环激励和RBF神经网络的生成,分别对单一脑出血和脑缺血、多发脑出血和脑缺血4种脑损伤状态进行EIT图像重建,利用图像相关系数和神经网络均方误差评估RBF神经网络的损伤预测能力。结果:在4种不同脑损伤状态下,RBF神经网络能够预测出不同位置及大小的出血和缺血目标,且4种状态的脑损伤图像相关系数(r值)分别为0.985、0.989、0.965和0.965,均方误差分别为0.0015、0.00002、0.0035和0.00004,证明其预测准确率较高。结论:RBF神经网络可以应用于复杂模型和多个脑损伤状态的EIT图像重建,可为后期图像重构算法优化提供一定算法基础。

径向基函数(RBF)神经网络在桥梁减震设计中的应用仿真

本文将人工智能理念引入桥梁结构的减震设计中,在对阻尼器参数进行参数分析的基础上,利用径向基函数(RBF)神经网络建立阻尼器参数与桥梁结构地震反应之间的映射关系,以帮助进行阻尼器参数的合理选定。同时,桥梁工程师可利用这一映射关系自行分析实际阻尼器性能参数的误差对结构地震反应的影响。本文最后通过工程实例,验证了人工神经网络算法在桥梁减震设计中应用的可能性和可靠性。

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。

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。

基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究

围岩类别超前分类是隧道施工过程中必须开展的一项工作,其直接关系到后续的开挖及施工支护方案。为有效地进行隧道围岩类别超前分类,提出了基于数字钻进技术和量子遗传(QGA)-径向基函数(RBF)神经网络的围岩类别超前分类方法。以数字钻进技术为基础,从钻进参数中提取有用信息,构建围岩类别超前分类指标体系。采用量子计算原理对遗传算法进行改进,通过量子位编码和量子旋转门更新种群,以此来确定RBF神经网络的参数,建立了基于QGA-RBF神经网络的围岩类别超前识别系统。最后将该方法应用于青岛胶州湾海底隧道的围岩类别超前识别中,结果表明,该方法具有较高的准确性,其结果为围岩类别超前分类提供了一种新思路。

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。

三角剖分以及径向基函数神经网络在星图识别中的应用

根据经典径向基函数(RBF)神经网络的优势,结合星图模式样本集的特点,设计了一种适合星图模式样本的网络训练算法。从提取星图模式入手,引入三角剖分理论,将可能出现在同一视场内的恒星以三角形的形式连接起来,提取连接的角距作为星图模式,建立了具有完备性、平移旋转不变性的星图模式样本集。然后,利用RBF神经网络做星图识别,研究顺序训练方法和批量训练方法,总结多种经典算法的优缺点,并设计了一种训练方法。通过实验证明了该种方法较其他经典算法更为适合学习星图模式样本。最后,给出RBF神经网络相关的训练数据,并通过模拟星图软件获得若干模拟星图作为观测样本,利用已经训练好的神经网络进行识别。试验结果表明,测试网络能够正确识别这些星图。

基于模糊RBF神经网络的函数逼近

提出了一种模糊RBF网络，将模糊逻辑的知识表达以及推理能力和RBF网络的快速学习和泛化能力结合起来，网络结构参数可按实际问题调整，仿真表明网络具有较快的学习速度和较高的函数逼近精度。

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发，提出了一种基于RBF神经网络学习算法，用于对非线性对象模型的拟合与辨识，并将此方法用于实际非线性模型的学习与辨识。结果表明，基于RBF的神经网络可快速完成对样本的学习与拟合，对具有连续特性的线性与非线性模型，具有快速实时的学习速度和优良的学习性能。

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性,基于聚类结合算法和神经网络原理,提出了一种改进的基于动态径向基函数(RBF)神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络,更好地描述了控制对象的动态行为,获得了PID参数在线调整信息,实现了多变量非线性系统的解耦控制.仿真结果表明,与基于常规RBF神经网络的PID控制方法相比,该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性,是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.

模糊子空间聚类的径向基函数神经网络建模

传统径向基函数(radial basis function,RBF)神经网络模型在处理噪声环境下的数据时,会因缺乏去除噪音特征的机制而使得受训模型的泛化性能下降。针对此缺陷,根据模糊子空间聚类(fuzzy subspace clustering,FSC)算法的子空间特性,为RBF神经网络添加特征抽取机制,提出了一种模糊子空间聚类RBF神经网络建模新方法(RBF neural network modeling using fuzzy subspace clustering,FSC-RBF-NN)。与传统RBF神经网络建模方法相比,FSC-RBF-NN方法可根据FSC的子空间特性和特征抽取机制,为不同的隐含层节点选取不同的特征子空间。当训练数据中含有大量噪音特征时,FSC-RBF-NN方法可通过特征抽取机制去除噪音特征,只保留对建模有积极作用的特征,使模型能保持良好的泛化性能。模拟和真实数据集上的实验结果亦验证了FSC-RBF-NN方法在噪声环境下具有更好的鲁棒性。

地学自由曲面径向基函数网络重建的详细算法

径向基函数(RadialBasisFunction,简称RBF)神经网络是一种理想的地学离散数据网格化工具,能够适应各种不同分布形式和边界条件的数据,收敛速度较快,可以逼近任何复杂曲面。这里详细介绍了RBF神经网络的算法。适当径向基函数的形式和偏差系数是使用RBF神经网络作地学曲面重建的关键。大量的实际数据验证结果表明,当选用Gauss型径向基函数时,一般可获得比较理想的网格化效果,同时具备"曲面平滑"和"拟合度高"的特点。

径向基函数神经网络正交最小二乘改进算法的实现

综合现有文献提出的径向基函数 (RBF)神经网络关于正交最小二乘学习算法 ,对它作了改进 ,增加对于回归矩阵线性无关的判断及 β值调整的方法 ,提出具体编程实现。

径向基函数神经网络及其在插值计算中的应用

径向基函数神经网络(RBF)是Broomhead于1988年提出的一种新型前向神经网络,与传统的插值型神经网络BP网络相比,具有计算速度快、满足全局最优化要求的优点,所以近年来开始引起人们的重视,被引入到函数的逼近插值计算中,成为除BP网络外的另一种重要的插值神经网络。根据径向基函数神经网络(RBF)的原理,总结出了径向基函数网络的可用于复杂插值计算的一种实用插值算法。经对实例计算表明,该算法是快捷可靠的。

基于思维进化算法的径向基函数神经网络结构优化

为了解决一类径向基函数的结构优化问题，该文在基本思维进化计算框架的基础上，提出了一种有效的混合优化策略。在优化过程中充分利用样本的信息，同时借鉴信息矩阵的思想，提出了利用信息矩阵进行信息抽取和信息积累的方法，并设计了有效的趋同、异化算子与个体之间学习的具体过程，使结构和参数同时得到了优化。仿真研究表明，该算法是快速有效的，并能保证网络具有较好的泛化能力。