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。

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。

一种新型径向基函数神经网络的非线性系统逼近

讨论了一种新的、正弦型径向基函数 (SRBF)神经网络 ,并用来逼近 n维连续函数。该 SRBF所采用的 n维正弦型的基函数是光滑的 ,并且是致密的。该 SRBF网络的权因子是输入的低阶多项式函数。本文给出的一种简单计算程序 ,显著地降低了网络训练和计算时间。并且由于 SRBF的基函数可以非均匀的量化格点为中心 ,因而降低了网络所需存储的样本数 ,网络的输出及其一阶导数都是连续的。对于非线性系统 ,该 SRBF网络在系统定义域内的逼近是精确的 ,并且在存储参数的个数上是最优的。通过实例仿真 ,证明该方法步骤简单 ,训练速度快 。

基于神经网络模型和改进最优保留遗传算法的非线性系统多步预测控制

针对复杂工业过程中存在的时滞、慢时变、强干扰等非线性控制对象提出一种利用径向基函数神经网络 (RBFNN)作为预测模型 ,改进最优保留遗传算法 (MEGA)作为滚动优化策略的非线性预测控制算法。仿真结果表明该算法具有较强的鲁棒性和抗时变性能。

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统,提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,实现系统的智能控制。仿真结果表明,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。

基于概率型径向基神经网络(P-RBFN)的人脸识别

1概述 近年来,人体生物特征(人脸、指纹、虹膜等)识别技术得到了越来越广泛的研究与应用,其中人脸识别技术尤其是一个热点[1,2],和其它人体生物特征进行个人身份鉴别的方法相比,人脸识别具有直接、友好、方便的特点.

基于改进RBF神经网络模型的土壤背景估计算法

针对土壤背景估计算法参数确定后适应性较差的问题,提出一种基于径向基函数(RBF)神经网络模型的土壤背景估计算法,以有效提升针对土壤的能量色散型X射线荧光检测的背景扣除效果及元素定量精度.首先分析了常用的土壤背景估计模型,针对连续剥峰法和小波变换对背景估计的扣除效果和问题提出基于改进RBF神经网络的算法模型,然后从理论上证明该算法模型的有效性,并将该模型应用于实际的土壤能量色散型X射线荧光检测系统中,对国家标准土壤样品进行检测,对Cr,Zn和As等重金属元素的定量探测进行深入分析.实验结果表明,基于该土壤背景估计算法能更好地进行元素能量特征值提取,降低背景对元素特征峰和质量分数的影响,进而有效提升土壤元素的定量精度.

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。

改进型T-S模糊神经网络风电功率预测模型的研究

为了提高风电功率的预测精度,在分析其主要影响因素的基础上,针对T-S模糊神经网络收敛速度慢、计算量大等缺点,提出了一种改进型T-S模糊神经网络风电功率预测模型。首先采用椭圆基函数作为隶属函数,扩展其接收域;其次利用模糊C-均值聚类确定其中心值;然后引入惯性项加快网络的收敛速度;最后分别对四季短期风电功率进行预测。仿真结果表明,改进型T-S模糊神经网络有效地提高了短期风电功率的预测精度,具有一定的实用价值。

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function,RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。

改进型RBF神经网络对ROF前传系统非线性行为建模

光载无线电(Radio-over-Fiber, ROF)前传系统在C-RAN基础上简化了基站RRH架构,但是ROF前传系统下行链路包含功放等非线性器件,依然面临非线性失真.先通过行为模型建模得到整个系统的非线性特性是对整个系统构建预失真器极为重要的步骤.针对ROF前传系统下行链路行为模型建模分析,以径向基函数神经网络为基础,提出了改进型复数径向基函数神经网络模型(Improved Complex RBF Neural Network,ICRBFNN),以4 MHz带宽的LTE信号作为测试信号,并与传统的功放模型广义记忆多项式(General Memory Polynomial, GMP)、改进型广义分数阶记忆多项式(Augmented General Fractional order Memory Polynomial,AGFMP)、实数时延神经网络(Real-Value Time-Delay Neural Network, RVTDNN)、实数时延径向基函数神经网络(Real-Valued Time-Delay Radial Basis Function, RVTDRBF)等功放行为模型作对比来验证模型的有效性.仿真实验结果表明,ICRBFNN相比传统功放模型取得了3 dB以上的建模精度提升.

基于RAN-RBF神经网络的网络安全态势预测模型

为了更准确地获悉网络安全态势的发展情况,提出了一种基于资源分配网络径向基函数(Resource Allocating Network Radical Basis Function,RAN-RBF)神经网络的网络安全态势预测(Network Security Situation Prediction,NSSP)模型。该模型采用资源分配网络算法对网络安全态势样本进行聚类,得到神经网络的隐含层节点数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法(Modified Particle Swarm Optimization,MPSO)对神经网络的中心、宽度、权值进行优化,对未来网络安全态势进行预测。利用校园网网络管理部门提供的数据进行的仿真实验表明,相对于K-均值RBF神经网络预测模型,该模型可以得到更合适的RBF神经网络结构和控制参数,提高了预测精度,更加直观地反映了网络安全态势的总体情况,为网络安全管理员提供了态势图。

基于改进差分进化算法的RBF神经网络优化方法

提出了一种新的RBF神经网络训练方法——改进差分进化算法,并用改进差分进化优化的神经网络对非线性系统进行逼近.采用改进差分进化算法对RBF神经网络的中心值、宽度和权值进行了优化.仿真实验结果表明,改进的差分进化算法具有比遗传算法更强的非线性系统逼近能力.

基于改进PSO优化RBF神经网络的变压器故障诊断

变压器故障诊断对电力系统安全、可靠地运行有重要意义,准确判断变压器故障类型,并及时处理能够降低因变压器故障所带来的经济损失。文章通过改进PSO算法优化RBF神经网络,以实现对变压器故障精确诊断。并改进RBF神经网络算法在诊断中常出现的早熟现象,来增强RBF算法的诊断能力。此外,文章在Matlab平台上,通过编程实现2种智能算法对变压器故障的诊断,并对两者故障诊断结果进行对比,以证明改进后算法的诊断准确性。

复数RBF神经网络自适应均衡算法研究

在研究基于实数径向基函数 (RBF)神经网络均衡器结构的基础上 ,提出了几种新的适用于QAM信号的复数RBF神经网络自适应均衡器结构 ,并给出了相应的自适应算法。新的均衡器是充分利用了所得到的信号信息及RBF的特性而分别构成的。理论分析和计算机仿真结果都表明 。

带有神经网络干扰观测器的视线角约束制导

针对具有终端视线(line-of-sight, LOS)角约束的机动目标拦截问题,提出一种基于径向基函数(radial basis function, RBF)神经网络干扰观测器的LOS角约束制导方法。首先,考虑目标机动过程中加速度信息无法获取的情况,给出了一种基于RBF神经网络的干扰观测器,实现了对目标机动的高精度估计;其次,充分考虑终端角度约束,结合超螺旋算法思想,通过幂次项的引入设计了一种改进的滑模制导律,从而有效提升了有限过载情况下的制导精度;在此基础上,通过Lyapunov定理对算法的收敛性和稳定性分别进行了证明;最后,通过仿真验证对比了3种不同方法在4种拦截场景下的制导性能,同时针对所提方法进行了蒙特卡罗打靶仿真,仿真结果表明所给出的LOS角约束制导律对机动目标拦截精度高、鲁棒性强。

基于改进型Volterra基函数网络的直接自适应逆控制方法

构造一种改进型 Volterra基函数网络 ,其特点是结构简单 ,容易离线确定最佳网络结构和初始权值。通过利用该网络在线学习非线性系统的逆 ,构造出一种非线性系统的直接自适应逆控制策略 ,并从理论上证明了闭环系统跟踪误差一致最终有界。

基于联合神经网络的传感器故障诊断与重构

针对可能发生的传感器故障,设计出了一种基于联合神经网络的传感器容错系统。提出了一种改进型的径向基函数神经网络,有较强的容错能力。算法包括1个主网络和n个分散网络的联合神经网络结构,各神经网络均基于改进型径向基函数算法,根据一定的控制目标对系统中的传感器故障进行检测、识别和调节,达到了容错控制的目的。

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数(RBF)神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明:该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。

基于改进PSO优化RBF神经网络的变压器故障诊断

对于变压器故障诊断有许多方法,本文主要研究智能算法在变压器故障诊断中的应用。为提高智能算法在变压器故障诊断中的诊断率,本文通过改进粒子群优化算法对径向基函数神经网络进行优化,以提高其在变压器故障诊断中的准确率。此外,算法在Matlab平台上实现编程,并通过实例分析证明算法可行性。