利用红外图像特征和径向基概率神经网络识别不同湿度条件下绝缘子的污秽等级

提出一种利用污秽绝缘子红外图像特征和径向基概率神经网络(RBPNN)来检测不同湿度条件下自然污秽绝缘子污秽等级的新方法。采用修正后的阿尔法滤波器和基于波谷的图像分割方法对绝缘子红外图像进行预处理。提取了不同湿度条件下的图像背景(周围环境)的平均温度、绝缘子盘面区域的最高温度、绝缘子盘面区域的平均温度、绝缘子盘面温度分布的方差值作为反映污秽等级的4个特征量。通过RBPNN建立了湿度及污秽特征与污秽等级之间的映射关系,并利用训练好的RBPNN识别绝缘子污秽等级;另外提出一种梯度算法与随机性方法相结合的算法来确定RBPNN的隐中心、宽度控制参数及权值矩阵。实验结果证明该方法能有效识别不同湿度条件下绝缘子的污秽等级。

基于径向基概率神经网络的输电导线缺陷状态识别

输电导线作为承担电能传输任务的重要部件,及时发现其本体缺陷对指导维修避免重大电力事故的发生具有重要意义。考虑到无人机巡检中输电导线背景的复杂性和导线表面缺陷检测的困难度,提出一种基于径向基概率神经网络的输电导线缺陷状态识别方法。首先,依次采用加权色差法、最大类间方差法以及形态学滤波实现复杂背景下输电导线的准确分割。其次,将分割出的导线区域等距划分为10个导线子图像,通过Gabor滤波器获得输电导线8个角度、5个尺度的40幅纹理增强子图像,提取各个子图像的粗糙度、对比度和方向度3个纹理特征量,结合特征方差比筛选出10个强纹理特征;最后,将10个强纹理特征量作为径向基概率神经网络的输入,完成输电导线缺陷状态的识别。实验结果表明所提方法可以实现复杂背景下输电导线快速分割与缺陷状态的准确识别,为无人机巡检中输电导线的运行状态检测提供了新的思路。

应用径向基概率神经网络研究地震滑坡

地震滑坡是一种有着严重危害的次生地震灾害形式,形成机制复杂,涉及因素较多。地震滑坡在空间上不是完全随机分布的,换言之,地震滑坡的影响因素和它的分布规律之间存在着相关性。利用径向基概率神经网络自学习的特性,通过对样本训练、检测,得到一个稳定可靠的模式识别网络,并用其对工作区进行潜在地震滑坡危险性区划,通过结果对比,在本例中识别精度达到89.9%以上,显示是一次有效的尝试。

径向基概率神经网络的混合结构优化算法

使用递归正交最小二乘算法(ROLSA)优选径向基概率神经网络(RBPNN)的隐中心矢量,微遗传算法(μGA)用于求解RBPNN最优核函数控制参数,并同ROLSA相结合(ROLS-μGA)来优化RBPNN的全结构(优选最优控制参数及隐中心矢量)。实验结果表明,ROLS-μGA具有很好的优化效率,而且优化后的RBPNN的推广性能也没有下降。实验还验证了ROLS-μGA对径向基函数网络(RBFNN)也有很好的适用性。

基于径向基概率神经网络的高压加热器故障诊断

应用径向基概率神经网络实现高压加热器的故障诊断。介绍了RBPNN网络的结构和学习算法;总结了高加的故障集、征兆集和故障特征数据。在Matlab环境下给出了高加故障诊断的具体实例,表明该方法是一种可行有效的高加故障诊断方法。

径向基概率神经网络结构的遗传优化

运用遗传算法 (GA)来优化设计径向基概率神经网络 (RBPNN)结构 ,优选了隐中心矢量和优化求取对应的核函数控制参数 .提出的染色体编码方式 ,充分体现了所选隐中心矢量在模式样本空间中的数量及位置分布 ,同时还包含了相适应的核函数控制参数信息 .新构造的适应度函数不仅有效地控制了网络输出的误差精度 ,而且还能够使得RBPNN结构优化趋于最简 .将IRIS分类问题用于检验该算法的有效性并与ROLSA和MKM进行了比较研究 ,结果表明 ,GA的优化效率最高 。

基于遗传优化径向基概率神经网络的岩性识别应用

岩性识别是测井数据解释中最关键的一环,但传统的岩性识别方法解释效率慢,精度低,受人为因素影响大。为此,提出一种遗传优化径向基概率神经网络(RBPNN)的岩性识别方法。该方法融合概率神经网络(PNN)和径向基函数神经网络(RBFNN)的优势来构造RBPNN,采用遗传算法搜索使得RBPNN训练法误差最小的最优隐中心矢量和相匹配的核函数控制参数,优化网络结构,提高收敛速度与精度,形成全结构遗传优化的RBPNN模型。实例应用表明,基于遗传优化RBPNN的岩性识别能够达到工程实际应用的规范标准,且是可行有效的,能够为油田地质勘探领域的岩性识别提供科学的理论支持与依靠。

最大绝对误差结合微遗传算法优化径向基概率神经网络

使用最大绝对误差算法 (MAEA)优选径向基概率神经网络 (RBPNN )隐中心矢量 ,将MAEA与求解RBPNN最优核函数控制参数的微遗传算法 (μGA)相结合 (MAE μGA)来共同实现RBPNN的全结构优化 实验结果显示 ,对比其他几种算法 ,MAE μGA优化后的RBPNN结构最简 ,而且在推广能力方面略好于其他几种优化方法 另外 ,MAE

基于径向基概率神经网络的工程图纸图形符号识别

基于径向基概率神经网络,提出一种扫描工程图纸图像分割后的图形符号识别方法.针对已分割的扫描工程图纸图形符号图像,首先进行二值化处理,然后对二值图形符号图像进行Hu不变矩特征提取,再使用一种新型的径向基概率神经网络进行分类,从而实现图像识别.为加快径向基概率神经网络的收敛速度,采用递归最小二乘算法进行训练.实验结果表明,径向基概率神经网络在识别性能与速度等方面非常适合于工程图纸的图形符号识别.

基于全矢谱和径向基概率神经网络的旋转机械故障诊断方法研究

结合全矢谱和径向基概率神经网络的优点,提出一种故障诊断的新方法,该方法是以提取全矢幅值谱的特征输入到径向基概率神经网络分类器进行故障识别。试验结果表明,该方法与传统单通道相比故障正确识别率很高,把它应用于旋转机械故障诊断是有效的。

基于径向基概率神经网络的变压器故障诊断

在对径向基概率神经网络进行理论分析基础上,采用减法聚类方法确定它的隐中心矢量。提出了基于径向基概率神经网络的变压器故障诊断方法,并进行了实验研究。实验结果表明,径向基概率神经网络在准确性和快速性方面适用于变压器故障诊断。

华南沿海潜在震源区划分——运用MATLAB径向基概率神经网络工具箱求解

用MATLAB语言建立径向基概率神经网络来求解地震潜在震源区的划分问题,地震潜在震源区划分是地震危险性安全评价工作的重点,影响潜在震源区的客观因素与潜在震源区划分结果间是一种高度非线性关系,将实际问题分析为网络的模式识别,以华南沿海地区为例检验优化网络,结果较好地对应了中国地震烈度区划图(1990),该方法是对潜在震源区智能划分的一次有效尝试。

基于径向基概率神经网络模型的小儿厌食症辅助诊断(英文)

结合了径向基神经网络较强模式分类能力与概率神经网络运算简单的优点,提出了一种径向基概率神经网络模型,并应用于小儿厌食症的辅助诊断,通过对119例样本数据的处理,获得了92.4％的准确率.此外,偏最小二乘法的分析结果表明,Zn元素与小儿厌食症关系最为紧密.

径向基概率神经网络的结构优化算法研究

径向基概率神经网络(RBPNN)是在径向基函数神经网络(RBFNN)和概率神经网络(PNN)的基础上发展起来的一种新型的前馈神经网络(FNN)模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。

基于径向基概率神经网络和逐步判别分析法的室内空气品质双核评价模型

选取甲醛、CO2、CO、NO2、SO2、可吸入颗粒、空气细菌数作为室内空气品质评价指标,利用径向基概率神经网络和逐步判别分析法建立了相互校正的双核评价模型。该双核模型综合了机理分析与模式识别,具有很强的泛化能力和自适应性,同时又有较高的正确率和较快的评价速度,适用于实时分析和控制。最后通过具体实例的应用,证明了模型的合理性与可行性。

基于径向基概率神经网络的雷达辐射源信号识别

雷达辐射源信号识别是电子情报系统和电子支援系统的重要组成部分。文章提出一种基于径向基概率神经网络的雷达辐射源信号识别方法，通过对几种典型雷达辐射源信号复杂度特征提取和采用径向基概率神经网络分类器进行分类识别的实验结果表明，文章所提出的方法是有效的，能在较宽的信噪比范围内获得满意的识别率。

径向基概率神经网络的一种自组织学习算法

介绍了径向基概率神经网络 (RBPNN)的一种自组织学习算法 ,该算法把径向基概率神经网络的结构原理与自组织聚类算法相结合 ,不仅能够完成对训练样本的聚类分析 ,标识出训练样本的类别属性 ,而且能够自动完成基于该训练样本集的径向基概率神经网络的训练过程 .本算法用于对 IRIS三种花型识别在训练阶段达到 97.33%的识别效果 ,而在推广能力方面 ,由本文算法得到的 RBPNN优于有标识的训练样本的

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 .

基于径向基概率神经网络的植物叶片自动识别方法

提出一种将 Gabor 小波和神经网络相结合应用于植物叶片自动识别的方法,该方法对活体植物图像进行多尺度 Gabor 纹理特征提取,再使用一种径向基概率神经网络模型进行分类识别.实验结果验证该方法的有效性.

基于无监督学习算法训练径向基概率神经网络

本文研究了径向基概率神经网络(Radial Basis Probabilstic Neural Networks,RBPNN)的一种新的无监督学习算法,该算法整合了径向基概率神经网络的结构原理与动态聚类算法的特点,使得在对训练样本的聚类分析并正确划分其类别属性的同时,自动完成径向基概率神经网络的训练过程.本算法在对IRIS和双螺旋分类问题的应用中,取得了较好的分类效果,而且在推广能力方面,由本文算法训练的RBPNN要明显好于有监督训练的径向基函数神经网络(RBFNN).