一种新型径向基函数神经网络学习算法——递归正交最小二乘法(ROLS)

径向基函数神经网络在很多领域都得到了成功的应用。但迄今为止仍没有一种有效的方法来确定隐层中心数目。笔者将递归正交最小二乘 (ROLS)方法引入RBFNN建模训练 ,利用ROLS算法训练网络后所得的有用信息 ,采用后向选择算法 ,逐步去掉那些使网络残差增加最小的中心 ,在得到网络有效中心的同时 ,还满足了精度要求 ,从而大大简化了RBF网络结构 ,节约了大量的存储空间以及计算量。

一种新的退化交通标志图像的分类算法研究

为了识别退化的交通标志图像,提出了一种新的分类算法。该算法在处理图像的退化问题时,采用模糊—仿射不变距直接提取图像的特征而不需要图像的清晰化处理;在利用模糊—仿射不变距提取图像特征的基础上,采用递归正交最小二乘算法设计了一种新的径向基概率神经网络分类器。仿真结果表明:模糊—仿射不变距是一种有效的处理退化的交通标志图像的方法,所设计的径向基概率神经网络分类器不仅具有精简的结构,而且,具有较好分类和推广性能。

基于RBF-FCM-ROLS的砼安全性评估方法

提出了一种基于径向基函数神经网络 RBFNN (Radial Basis Function Neural Networks)、模糊 C-均值聚类(FCM)算法和递归正交最小二乘法 (ROL S)的混凝土安全性专家系统评估预测方法。此方法先用 FCM算法初选多个RBFNN的函数中心 ,再采用 ROL S训练网络 ,最后结合后向选择法 ,减少初选的中心数目 ,以得到最终的有效中心值。该方法加快了 RBFNN的训练速度 ,提高了网络的运算效率。将其运用到混凝土安全性评估专家系统中 ,获得了满意的结果。将这种新算法得出的评估数据与传统的 BP网络计算出的数据进行了比较 ,进一步证明了

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用。但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类（FCM）算法对其进行优化。以122组边坡样本作为样本总体,其中1~114组为训练样本,115~122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法（OLS）训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构。将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度。该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性。