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。

利用高斯径向基函数的拟神经网络重力反演方法

为了提高重力反演分辨率,提出一种利用高斯径向基函数的拟神经网络反演方法。该方法利用高斯径向基函数压缩模型空间,在保证复杂模型表征能力的前提下,实现了反演参数的降维;以高斯径向基函数为激活函数,构建一种拟神经网络结构,不需要训练,可以克服建立训练数据集的困难。该方法较好地解决了重力反演不适定性所导致的趋肤、垂向分辨率低、多解性强和严重依赖先验约束等问题,并从重力数据中最大程度地提取有效信息以提高反演结果的分辨率,增强可靠性。模型实验证明了该方法具有较高的精度和分辨率,能较准确地反演模型的位置、边界和密度。应用该方法反演车镇凹陷重力数据,得到了垂向分辨率较高的剩余密度模型,从中提取密度界面和剖面开展构造解释,揭示了下古生界构造格局和潜山发育规律,证明了该方法的实用价值和应用潜力。

基于径向基函数(RBF)网在线建模的民航安全风险监测仿真系统设计与实现

通过分析国内外民航安全风险监测的研究现状,指出当前我国民航安全风险监测方面的不足,进而提出了基于径向基函数(RBF)网在线建模的民航安全风险监测仿真系统。在仿真系统设计中,详细讨论了实现系统的网络拓扑结构、体系结构,并将仿真系统分为三大功能模块,提出以安全隐患指标和安全性能指标分别作为仿真模块的输入段和输出段。在该基础上,利用C#语言和SQL SEVER数据库共同开发出该模拟仿真系统,并以空管仿真系统华东管理局年度仿真实例作了验证。

基于高斯径向基函数的复制-移动篡改检测算法

为提高对模糊、噪声、压缩、旋转等篡改区域的检测精度与鲁棒性,提出基于离散余弦变换与Gaussian径向基函数的复制-移动篡改检测算法。将色彩图像变换为灰度图像,将其划分为一定大小的重叠子块;对每个字块进行离散余弦变换(discrete cosine transform,DCT),利用DCT分量表示子块;根据DCT分量构建图像的系数矩阵,引入一个高斯径向基函数(Gaussian radial basis function,RBF)核PCA(principal components analysis,PCA),将其系数矩阵的特征值作为块的特征表示;计算不同块之间的Euclidean距离作为不同区域的相似性,并与给定的阈值比较,完成伪造检测。实验结果表明,与当前篡改检测技术相比,所提算法具有更好的检测精度和效率。

高斯径向基函数重构特征对表面肌电信号识别

针对在不同动作模式下对表面肌电信号提取的特征信息总是有较大差异,而相同动作模式下提取的特征信息较为接近这一特点,提出了高斯径向基函数重构算法对肌电信号进行识别。该算法在对表面肌电信号提取特征信息后,用高斯径向基函数对特征矢量进行重构,使得重构的特征矢量的空间分布存在很大差异而直接进行识别。用该重构算法对提取的AR系数重构,然后进行识别,平均识别率为97.2%;对小波系数重构,平均识别率为99%。

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。

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。

具有高斯核函数的支撑矢量机与径向基函数分类器的比较

文章比较了两种学习机器:径向基函数、具有高斯核函数的支撑矢量机(SVM)。试验表明SVM能够获得最高的正确识别率。因此,支撑矢量机不只很好地建立在理论上,而且应用时也具有很好的优越性。

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。

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。

高斯型径向基函数的切比雪夫配点法

在数值模拟过程中,利用切比雪夫节点代替传统的均匀配点,用高斯型径向基函数方法求解椭圆型偏微分方程边值问题.数值模拟结果表明,基于切比雪夫节点的高斯型径向基函数数值模拟椭圆型偏微分方程边值问题能提高径向基函数的数值模拟精度,可以改进边界处的数值模拟误差.

基于高斯径向基函数网络的潜在剖面建模方法

提出一种基于高斯径向基函数网络的潜在剖面建模的方法,该方法利用高斯径向基函数网络与潜在剖面分析的相似性,对高斯径向基函数网络进行改变。对改变后的网络采用两步训练的方式,首先通过贝叶斯回归估计径向基参数,再使用传统后向传播算法进行训练,最后从整体的角度上得到从自变量到因变量的完整模型。该模型能在既保留潜在剖面分析的可解释性的情况下,同时得到较好的全局拟合优度。

基于梯度下降法选取高斯径向基函数形状参数

高斯径向基函数是径向基函数中常用的函数,对于高斯径向基函数插值形状参数的取值,常规的方法一般是通过人工修改形状参数的取值,计算成本较高,插值精度较低。本文基于梯度下降算法,通过设定针对性的目标函数,通过迭代的方式得到形状参数,有更好的插值效果,为高斯径向基函数的应用提供了更加便捷的途径。

部分线性模型的高斯径向基函数估计

部分线性模型是一种常用的现代统计模型,其同时具备参数与非参数回归的优点。我们基于高斯径向基函数估计部分线性模型的非线性部分,并给出估计过程中的超参数选择方法。在模拟仿真与实证分析中将高斯径向基函数与B样条进行对比,发现高斯径向基函数在部分线性模型中可以成为B样条的一种替代方法。

一种基于高斯核的RBF神经网络学习算法

RBF神经网络中心等参数确定得是否合理将直接影响到RBF神经网络的学习性能。通过有监督学习的方法来确定RBF神经网络的中心等参数是最一般化的方法。在这种方法中,参数的初始化问题是关键问题。文章在分析RBF神经网络映射性能的基础上,提出了中心等参数初始化的一种方法,并借助于梯度下降法给出了RBF神经网络的学习算法。多种实例表明,所给出的学习算法是有效的。该研究为RBF神经网络的广泛应用提供了一定的技术保障。

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。

基于径向基函数响应面的机翼有限元模型修正

用ANSYS三维实体单元SOLID45建立机翼基准有限元模型并计算其自由振动的前6阶模态频率.用均匀设计方法将结构参数分组并分别计算各组结构参数对应的模态频率,建立高斯径向基函数响应面模型.用最小二乘法则拟合系数并检验响应面拟合精度,对基准模型的结构参数施加摄动量建立待修正有限元模型.用响应面模型和基准模型计算所得模态频率的相对误差建立适应度函数的表达式,将混沌搜索机制引入粒子群算法对结构参数的摄动量进行寻优计算,搜索所得优化解代入即得修正后模型,将修正后模型与基准模型在测试频段内段外的模态频率近似度进行比较,证实了修正后模型的有效性.

基于核空间类间平均距的径向基函数—支持向量机特征选择算法

SVM-RFE特征选择算法的算法复杂度高,特征选择消耗时间过长,为了缩短特征选择的时间,针对径向基函数—支持向量机分类器提出了依据核空间类间平均距进行特征选择的算法。首先分析了径向基函数核参数与数据集核空间类间平均距之间的关系,然后提出了依据单个特征对数据集的核空间类间平均距的贡献大小进行特征重要性排序的算法,最后用该算法和SVM-RFE算法分别对8个UCI数据集进行了特征选择实验。实验结果证明了该算法的正确性、有效性,而且特征选择的时间与SVM-RFE算法相比大大减小。

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。