基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

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。

径向基函数神经网络与稀土卤化物标准生成焓的研究

研究并应用径向基函数神经网络(RBF-network)对稀土卤化物标准生成焓进行定量建模,相关系数r达到0.9985,样本误差较小,显现了神经网络方法在该领域的优势.交互预测结果证明模型具有好的稳定性和泛化性能,对7个未知样本所作的预测有一定参考价值.

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(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。

径向基函数网络泛化能力研究及其应用

通过分析径向基函数网络(RBF网络)结构及影响其泛化能力的因素,提出一种通过网络泛化误差自动调节隐层节点数以得到最佳节点数的方法。将采用这种算法的RBF网络用于对船舶焊接变形过程进行建模并预测其输出。仿真表明这种算法可以显著提高传统RBF网络的泛化能力。

基于结构风险最小化原则的径向基函数网络

通过分析径向基函数网络与支持向量机之间的关系,将结构风险最小化原则应用于径向基函数网络学习中,与传统的基于经验风险最小化原则的径向基函数网络相比,它充分保证了模型的泛化能力,能够弥补学习方法本身的缺陷。最后,将该算法应用于非线性时间序列预测,并与传统的径向基函数网络预测结果进行了比较,实验结果表明本算法提高了径向基函数网络的泛化能力。

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。

基于径向基神经网络和正则化极限学习机的多标签学习模型

相比径向基(RBF)神经网络,极限学习机(ELM)训练速度更快,泛化能力更强.同时,近邻传播聚类算法(AP)可以自动确定聚类个数.因此,文中提出融合AP聚类、多标签RBF(ML-RBF)和正则化ELM(RELM)的多标签学习模型(ML-AP-RBF-RELM).首先,在该模型中输入层使用ML-RBF进行映射,且通过AP聚类算法自动确定每一类标签的聚类个数,计算隐层节点个数.然后,利用每类标签的聚类个数通过K均值聚类确定隐层节点RBF函数的中心.最后,通过RELM快速求解隐层到输出层的连接权值.实验表明,ML-AP-RBF-RELM效果较好.

基于局部重力场建模的Tikhonov正则化点质量核径向基函数方法

针对点质量核径向基函数应用于局部重力场建模中的设计矩阵严重病态问题,本文引入Tikhonov正则化方法对传统点质量核径向基函数方程进行改造,建立了相应的正则化模型。通过模拟数据进行仿真实验,以传统格网化方法作为对比试验,利用"标靶法"确定两种模型的最优结构。实验结果表明:正则化点质量核径向基函数可以直接利用离散数据进行局部重力场建模。在两种模型的最优结构下,当实测数据无污染时,正则化方法达到与传统格网化方法相当的精度;当实测值中加入3 mGal的高斯白噪声时,正则化方法的精度获得了27.9%的提升。这说明本文方法可以应用于局部重力场建模中,且模型结构更优,抗干扰能力更强。

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%。

利用径向基函数RBF解算GRACE全球时变重力场

本文利用GRACE(Gravity Recovery And Climate Experiment)level 1b数据和径向基函数RBF(radial basis function)方法解算了全球时变地球重力场.RBF基函数相比传统球谐(spherical harmonic)基函数,其高度的空域局部特性使得正则化过程易于添加先验协方差信息,从而可能揭示更加准确的重力场信号.本文研究表明,RBF基函数算法在精化现有的GRACE全球时变重力场模型,如提升部分区域信号幅度等方面具有一定优势.本文通过将RBF的尺度因子作为待解参数,基于GRACE卫星的Level 1b数据和变分方程法,成功获取了2009-2010年90阶无约束全球时变重力场RBF模型Hust-IGG03,以及正则化全球时变重力场RBF模型Hust-IGG04.通过与GRACE官方数据处理中心GFZ发布的最新90阶球谐基时变模型RL05a进行对比,结果表明:(1)无约束RBF模型Hust-IGG03和GFZ RL05a在空域和频域表现基本一致;(2)正则化RBF模型Hust-IGG04无需进行后处理滤波已经显示较高信噪比,噪音水平接近于球谐基模型GFZ RL05a经400 km高斯滤波后的效果;(3)HustIGG04相比400 km高斯滤波GFZ RL05a在周年振幅图和趋势图上显示出更多的细节信息,并且呈现出更强的信号幅度,如在格陵兰冰川融化趋势估计上Hust-IGG04比GFZ RL05a提高了24.2%.以上结果均显示RBF方法有助于进一步挖掘GRACE观测值所包含的时变重力场信息.

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。

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。

基于优化RBF神经网络的管道缺陷量化分析方法

为正确评估管道的使用寿命和安全状态,需要对管道缺陷进行准确的定量分析。提出一种基于泛化能力优化的在线学习径向基函数(RBF)神经网络,给出具体的算法步骤,采用自适应学习机制训练网络,并利用Ansoft Maxwell 3D建立仿真缺陷数据作为样本进行测试。结果表明:该网络训练效率高,泛化能力好,显著增强了样本适应能力。该方法有助于量化具有不同形态的缺陷,为管道的安全评估提供依据。

正则化RBF网络模型在地下水位预测中的应用

【目的】建立地下水位预测的正则化RBF网络模型,为区域地下水资源的利用、规划和管理提供决策依据。【方法】以MATLAB7.0为平台,用函数newrb创建正则化RBF网络模型,基于宝鸡峡灌区B210号观测井1983-2009年的地下水位埋深资料,对网络模型进行训练后再用测试集检验,分别绘制训练集与测试集的拟合曲线,同时计算实测值与预测值间的相对误差(RE)、平均绝对偏差(MAD)和均方误差(MSE),并将其与BP网络模型的相应值进行对比。【结果】正则化RBF网络模型和BP网络模型的相对误差均小于5%,平均绝对偏差分别为0.53和0.85,均方误差分别为0.54和1.15,相比之下,正则化RBF网络模型的预测精度更高。【结论】训练样本和测试样本的合理选取为时间序列的拟合扩展了思路,良好的泛化能力使正则化RBF网络模型在区域地下水位预测中具有一定的可行性。

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预测方法研究

提出了一种新的确定径向基函数中心的方法. 该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法从模糊聚类中心中进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准. 该方法集中了交叉迭代模糊聚类和正则化正交最小二乘法的优势,可有效减小网络规模,提高网络推广能力,而且能够避免数值病态情况发生. 以新疆伊犁河雅马渡站的年径流量预测为例进行计算,其结果验证了所提方法的有效性.