基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．

基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题,提出一种基于主成分分析(PCA)与改进LM算法-双高斯核RBF(ILM-DGRBF)神经网络的方法,实现了SOH的准确估算。首先,提取与锂离子电池容量衰退高度相关的健康因子(HI),采用PCA方法进行降维处理,减少HI之间冗余度。其次,创建双高斯核RBF神经网络,利用改进LM算法实现网络参数在线学习,建立ILM-DGRBF神经网络。再次,利用数据增强的电池测试数据训练ILM-DGRBF实现SOH估算。验证表明,经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势,可用于SOH的估算;与其他模型相比,所建ILM-DGRBF模型具有更高的估算精度和更好的鲁棒性,估算结果的误差控制在1.5%以内。最后,基于该方法构建一种新的SOH智能估算系统,为电池安全管理提供参考依据。

基于径向基神经网络的水下振动物体辐射噪声级别分类研究

运用径向基神经网络,利用水下振动物体内表面加速度信号对其辐射噪声级别进行分类,达到判断其声隐身性的目的.该方法的运算量较传统方法大大降低,极大地提高了计算速度.实例表明,该方法能较准确地对水下振动物体辐射声场声压级别进行分类,进而对其推广应用于潜艇提供了较好的依据.

面向任务和基于几何特征的机器人多指手抓取模式规划

针对机器人多指手自身的特点,通过分析人手的抓取特性,对其可能具有的抓取模式进行分类。考虑被抓取物体的几何特征和任务要求,采用基函数为高斯核函数的RBF神经网络来表示被抓物体的样本特征和抓取模式之间的复杂非线性映射。将抓取模式分为10类,对于新的被抓物体,利用训练好的神经网络自动生成抓取模式,并利用VC++/OpenGL建立了可视化仿真平台,进行了抓取模式分类仿真实验,结果表明对于新的物体,机器人可以选择适当的抓取模式进行抓取。

高斯核正则化学习算法的泛化误差

对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.

基于Xgboost优化的KELM滑坡预报模型研究

针对极限学习机对滑坡预测准确性低及在训练过程中模型不稳定的问题,引入RBF高斯核函数并使用极限梯度提升树算法Xgboost对KELM进行优化,建立了Xgboost优化后的Xgboost-KELM预测模型;首先采用高斯核RBF作为极限学习机的核函数,解决隐藏节点随机映射问题,增加模型稳定性及适用性;其次将清洗后的监测数据作为模型输入,并使用Xgboost寻优算法对核函数中的超参数进行优化,通过4组测试集进行Xgboost-KELM建模,依据均方误差迭代曲线得出最佳超参数;最后使用两组10%样本集验证模型评价指标及稳定性,实验结果AUC均值对比模型至少提高3个百分点,Precision、Accuracy及Recall至少高于对比模型1.7个百分点,同时Xgboost-KELM模型的方差及偏差都较小,证明该模型稳定性较好,实验结果说明Xgboost-KELM模型具有较好的预测效果,在滑坡灾害预测中有较好的预测能力。