基于PLS和GAs的径基函数网络构造策略

鉴于传统径基函数网络(radial basis function network,简称RBFN)构造策略的不足,提出了基于偏最小二乘法(partial least squares,简称PLS)和遗传算法(genetic algorithms,简称GAs)的RBFN构造策略和一种更有效的径基宽度取值方法.在这个集成构造策略中,PLS克服了K-Means算法求取径基易陷入局部最优的弊病,并使合成径基比由正交算法获取的径基更具代表性;而所提出的径基宽度取值方法和GAs则为网络性能和结构的实质性改善与优化提供了保障.实验证实了基于PLS和GAs的RBFN构造策略及所提出的径基宽度取值方法的优越性、可靠性和有效性.

基于径基函数-加权偏最小二乘回归的干点软测量

针对影响石油馏分产品干点因素众多且呈高度非线性的特征,提出了一种径基函数(Radial basis function,RBF)和加权偏最小二乘回归(Weighted partial least squares regression,WPLSR)相结合的建模方法建立干点软测量模型．该组合方法首先应用RBF实现样本数据的非线性变换;然后根据非线性变换后样本在结构参数空间中的分布,分析它们对预测对象的预报能力,自适应地为各个样本分配权值,并进而从中提取和选用PLS成分,实施加权PLSR,以获得预报性能良好的模型．在实际应用于初顶石脑油干点软测量建模中,RBF-WPLSR获得比PLSR、WPLSR及RBF-PLSR更高精度的模型．

洛阳PTA装置基于径基函数网络的4-CBA软测量

采用一种具有强非线性表达能力的径基函数网络方法建立洛阳PTA装置4-CBA含量软测量模型。在实际应用中,4-CBA含量软测量模型具有良好的预测精度,相对误差仅为4.3%。基于该软测量模型系统分析主要工艺操作参数对TA产品中4-CBA含量的影响,为生产操作条件的优化提供指导。

基于径基函数-偏最小二乘回归的对羧基苯甲醛含量软测量模型

采用具有强非线性表达能力的径基函数(RBF)-偏最小二乘回归(PLSR)相结合的建模方法建立了对苯二甲酸中对羧基苯甲醛含量的软测量模型。该组合方法应用径基函数实现自变量样本数据矩阵的非线性变换,应用偏最小二乘回归消除复共线性对模型预报精度的影响,从而使模型预报性能良好,与直接采用偏最小二乘法建模计算相比,预报误差下降了18.4%。

径向—线性基本函数串联神经网络模式分类法与应用

本文提出了由两层径基函数网络和两层线性基本函数网络组成的串联神经网络快速模式分类方法。两个应用实例表明，这种新方法收敛速度快，分类精度高。

径基函数-自适应偏最小二乘回归方法辅助含硫苯衍生物分子设计

针对药物构效关系呈非线性的特征,提出一种径基函数(radial basis function,RBF)-自适应偏最小二乘回归(adaptive partial least squares regression,APLSR)相结合的建模方法。该组合方法应用RBF实现自变量非线性变换,应用APLSR方法消除非线性变换后输出变量间存在的复共线性,并以模型的预报能力为目标,自适应地确定PLSR模型的最佳隐变量个数,从而获得预报性能良好的模型。本文将RBF-APLSR方法应用于含硫苯衍生物的定量构效关系建模,取得了令人满意的效果,其预报精度高于PLSR方法。

基于径向基函数模型的工程工料消耗的估算方法

将径向基函数网络方法应用于工程工料消耗估算 ,讨论了网络结构的设计、学习算法等问题 ;建立了基于径向基函数网络的工程工料消耗估算模型 ,计算实例表明 ,借助该模型可实现工程工料消耗的快速估算 .

基于聚类的RBF-LBF串联神经网络学习算法

为提高网络的泛化能力,研究了单层RBF神经网络和LBF网络组成的RBF-LBF串联神经网络,并提出了一种基于模式聚类的RBF-LBF串联神经网络的学习算法。该算法分别对单层RBF网络和LBF网络的输入进行模式聚类,以确定网络的初始结构,然后通过调整错分样本的类别,使之部分重叠或合并核函数。经双螺旋线问题仿真实验证明,该算法确具有很好的泛化能力且只需较短的训练时间。

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数 ( RBF)网络和前向两层线性基本函数 ( LBF)网络的分类机理及其结构与初始参数优化确定方法 ,提出了 Guassian核函数的中心和宽度应通过学习自动确定 ,在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数 ,并根据新增核函数对测试集的作用自动删除多余核函数的观点 ,从理论上阐明了采用 Sigmoid活化函数的两层LBF网络的分类阈值为 0 .5 ,进而提出了由两层 RBF网络和两层 LBF网络组成的前向 RBF神经网络——

改进的RBF神经网络模式分类方法应用研究

经典的 Bayes分类方法一般需要事先对样本的分布特性作出假设 ,当假设模型与样本实际分布情况不相符时 ,就难以得到较高的分类精度。当处理同类别多区域样本分布问题 ,例如变标签问题时 ,距离判别、Fisher判别、k-近邻分类、分段线性分类等统计分析方法遇到困难。双螺旋问题不仅使统计方法受到挑战 ,更使人们对一般前向多层神经网络的能力提出疑问。本文提出了改进的 RBF神经网络结构、核函数个数、位置与宽度优化算法。该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算法大致相同。核函数生成既考虑了训练集样本自身的类别因素 ,又考虑了错分样本与邻近类别的关系。一个核函数的最终保留与否根据其对提高测试集分类正确率的贡献大小来决定。同时实验验证了两层 LBF网络对提高改进的 RBF网络分类正确率的极端重要性。大量应用实例表明 ,与前向三层 RBF网络和前向三层 LBF网络相比 ,该 IRBF网络具有收敛速度快、分类精度高、易于得到最小结构、在学习过程中不易陷入局部极小点等优点 。

前向神经网络设计问题的回顾与探索

本文评述了近十几年来国内外对前向神经网络设计问题的研究情况，在分析各种已有设计方法优缺点的基础上，提出另一种新的解决前向神经网络设计问题的方法，并给出几个非常典型的设计（模拟）例子，以说明本文所提出方法的有效性和潜力。

自适应RBF-LBF串联神经网络结构与参数优化方法

研究了前向单层径基函数 (RBF)网络和前向单层线性基本函数 (LBF)网络的分类机理 ,提出了RBF的中心和宽度应通过学习自动确定 ,在学习过程中根据错分样本被错分入的类别自动生成新的核函数这一观点 .如果两个或两个以上核函数属于同一类 ,在输入空间相距较近且未被其它类别的样本分隔开来的情况下 ,则应考虑将之合并 ,或者使它们的作用区域部分重叠 .从理论上阐明了采用Sigmoid活化函数的单层感知器的分类阈值为0 .5 ,进而提出了由单层RBF网络和单层感知器组成的串联RBF LBF神经网络 .文中详细给出了确定该串联RBF LBF神经网络结构、核函数个数、位置与宽度的优化算法 .一般来说 ,该算法的计算复杂性比前向单隐层感知器采用的误差反传算法要小或至少相当 .对几个经典的模式分类难题的处理结果表明 ,与一般RBF网络和前向单隐层感知器网络相比 ,该串联RBF LBF网络及其自适应学习算法具有收敛速度快 ,分类精度高 ,易于得到最小结构 ,在学习过程中不易陷入局部极小点等优点 ,有利于实现实时分析 .实验结果同时也验证了单层LBF网络对提高RBF LBF网络分类正确率的重要性 .

RBF-LBF串联神经网络模式分类法快速测定微量甲醇

提出了由两层径基函数（RBF）和两层线性基本函数（LBF）网络组成的串联神经网络模式分类方法。对气敏传感器阵列测试八种浓度甲醇溶液挥发蒸汽所得到的样本集进行分类实验表明，这种模式分类方法速度快，分类精度高，优于前向三层径基函数网络和线性基本函数网络模式分类方法。