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。

数字孪生下的液压缸机械运行位置自动控制

液压缸机械系统非线性特征复杂,机械运行行为特征不明确,位置控制结果存在偏差,对此,该文提出数字孪生下的液压缸机械运行位置自动控制方法。连续检测液压缸机械系统运行状态,构建非线性状态方程,对比实际测量数据与输出数据的差异,选取RBF核函数与支持向量机,机械运行位置变化量,描述机械运行行为特征,建立位置控制目标函数,将最高适应度值对应的位置点自动更新为副本位置点,引入猫群算法求解目标函数,对位置控制目标函数的全局最优解展开更新,实现液压缸机械运行位置自动控制。实验结果表明,所提方法应用后,位移检测曲线与实际位移曲线之间的偏差较小,且在恒负载工况下和变负载工况下,位移稳态误差均较小,说明其机械运行位置自动控制结果精度高、控制效率高、控制精度高。

基于RBF核的SVM及RVM模式分析性能比较

基于RBF核,利用Synthc、BC等标准数据集,采用五重交叉验证,比较SVM(支持向量机)及RVM(关联向量机)模式分析性能。实验结果表明,与SVM相比,RVM时间复杂度、测试错误率较低,模式分析性能较优。

基于RBF核的SVM的模型选择及其应用

使用RBF核的SVM(支持向量机)被广泛应用于模式识别中。此类SVM的模型选择取决于两个参数,其一是惩罚因子C,其二是核参数σ2。该文使用了网格搜索和双线性搜索两种方法进行参数选择,并将两者的优点综合,应用于脱机手写体英文字符识别。实验在NIST数据集上进行了验证,对搜索效率和推广识别率进行了比较。实验结果还表明使用最优参数的SVM在识别率上比使用ANN(人工神经元网络)的分类器有较大提高。

RBF核SVM及其应用研究

因其核函数的良好性态,RBF核SVM(RBF-SVM)在实际应用中表现出良好的学习性能,但是RBF核函数中的参数对SVM的性能起决定性作用。阐述了RBF-SVM的性能随着变化而变化的规律,并将RBF-SVM引入自动羽绒识别系统中。根据自动羽绒识别系统的实际需求和RBF-SVM的性能变化规律,论述了本系统中参数的选取依据和选取过程,并且给出了的相关曲线变化图。通过研究,最后得到适合本系统的识别模型,从而提高了系统的总体识别率。同时,也验证了RBF-SVM的良好特性和其受参数的约束规律。

基于RBF核的SVM学习算法的优化计算

在SVM学习中,对SVM的核函数及其参数的选择还没有形成一个统一的模式。论文对基于RBF核的SVM分类器中参数(C,")的选定做了深入研究。分别探讨了网格搜索法和双线性搜索法以RBF为核的搜索特征,并对它们进行了改进。通过结合双线性搜索法和网格搜索法,提出了一种双线性网格搜索法。实验表明,双线性网格搜索法能有效地结合双线性搜索法训练量小和网格搜索法学习精度高的优点,提高学习精度和学习性能。

基于RBF核函数的支持向量机参数选择

由于SVM在各个领域中得到越来越广泛的应用，而决定SVM性能的因素是核函数的选取。其中，RBF核函数是应用最广泛的核函数，且有两个参数：惩罚因子C和核参数γ，因此，希望能找，到最优化参数组（C，γ）使SVM具有最好推广性．首先提出了用E=lw/n代替留一法来评估SVM的推广性，它的优点是速度快、准确性高；然后，分析参数C和γ对SVM性能的影响，由此将问题归结在一个小的“好区”内选取最优参数组（C，γ）；最后，分别用穷举法和下文所提出的方法进行比较，得出在“好区”内用Cγ=C（常数）来确定最优化参数同样能得到很好的推广性，而且速度上比穷举法快的多，此方法，具有一定的实际应用价值。

基于RBF核的SVM核参数优化算法

SVM是一种新型的机器学习方法,其分类性能的优劣主要受核函数及核参数的影响,国内外学者针对SVM核参数的选择已提出许多算法.本文首先分析了RBF核参数对SVM分类性能的影响,然后又对比分析了目前存在的几种基于RBF核的SVM核参数选择方法.通过实验,发现使用遗传算法选择核参数的SVM有比较快的搜索速度.

多类核极化及其在多宽度RBF核参数选择中的应用

针对多类支持向量机的模型选择问题,提出一种适用于多分类问题的核函数度量标准,称为多类核极化。进一步地,提出了基于优化该标准的多宽度RBF核的参数选择算法。与传统的基于k-折交叉验证的穷举搜索方法相比,该算法利用基于梯度的搜索技术自动实现模型选择,克服了传统方法的经验性强、计算量大的不足。UCI数据集上的实验结果验证了多类核极化与多参数模型选择算法的有效性。

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一种神经网络。RBF核函数型支持向量机是一种性能卓越的新型学习机。将这两种学习机进行对比分析,以期在实际应用中做出更好的选择。首先,在理论上分析了这两种学习机在分类原理上的异同。接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标。最后,提出了在应用这两种学习机进行模式识别时应注意的方面。实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%。这说明RBF型支持向量机的性能要优于RBF网络。但是RBF网络易于实现,在样本数目足够多的情况下也不不失为一种好的算法。

从RBF核函数中抽取关联分类规则

目的为解决SVM分类器的分类模式难以为人类专家所理解等问题而提出一种有关InterRBF算法的新思路。方法通过将RBF核函数将其展开成麦克劳林级数,并从展开式中挖掘对分类分析起重要作用的关联规则,从而在SVM的分类模式中学习出关联规则分类器。结果改进后的SVM分类器具有较好的分类准确度;改变了当前研究从SVM的分类模式中抽取规则的方法仅限于IF-TEHN规则或者学习出决策树的状况。结论从RBF核函数抽取关联分类规则,对于在难以理解的知识中提取可理解的表达规则是可行的方法。

基于优化RBF神经网络的无线室内定位

针对径向基函数(Radial Basis Function,RBF)神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法(Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM)和模拟退火自适应遗传算法(Simulated Annealing adaptive Genetic Algorithm,SAGA)优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。

基于再生核RBF神经网络的瓦斯突出预测系统

该设计的瓦斯突出预测系统由数据采集,数据传输和数据处理三部分组成;首先使用层次分析法和MATLAB选择出了瓦斯突出影响因素,然后使用TMS320C6713和PCI总线技术设计了数据采集和传输系统,同时采用再生核算法来进行RBF神经网络的训练,通过W12[a,b]空间插值逼近的方法,把RBF神经网络的训练转换为解线性方程组,最后使用LABVIEW,MATLAB和CCS混合编程实现了再生核RBF神经网络的训练和仿真以及TMS320C6713软件开发,准确地预测出了瓦斯突出。

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．

尺度可调的混合核RBF网络

针对传统核模型中采用单一核函数的局限性,利用两个核函数的线性组合得到混合核.在RBF网络的训练中,采取正交最小二乘的方法进行逐步回归建模.在学习每个神经元参数时,首先,用全局k均值聚类法得到数据样本的聚类中心,然后对每一个聚类中心,利用群搜索优化器搜索出最佳的尺度和混合核调节参数,误差最小的参数组合即为径向基函数参数.实验说明,新的RBF网络具有稀疏性好,泛化能力高等优点.

基于神经网络的地铁列车速度传感器自动化诊断

基于列车运行稳定可靠的需求,提高传感器数据检测的准确性以及及时性的目的,采用以径向神经网络为基础依据,进行双通道传感器数据检测的自动化故障诊断方法,构建地铁列车速度传感器自动化诊断系统。以传感器的工作原理为依据设置两组检测通道,其中一组作为备用通道进行信号检测。同时结合径向神经网络构建速度传感器自动诊断系统,经过精确度阈值以及相角对传感器故障进行诊断。通过实际的验证试验可知,传感器自动化诊断系统能够保证较高的精确度,可对地铁列车速度传感器的工作状态进行及时有效的判断。

RBF神经网络在目标识别中的应用研究

基于递推最小二乘学习算法,提出了一种运用径向基函数神经网络进行目标识别的方法。仿真结果表明,该方法可以有效对来袭目标进行识别,具有较好的识别效果,对提高防空能力有一定的意义。

基于优化RBF神经网络的缝纫平整度客观评价

该文提出了一种基于优化RBF神经网络的丝织物缝纫性能客观评价系统.该系统根据丝织物面料的FAST力学指标与缝纫性能之间的关系,运用神经网络的方法进行面料缝纫性能评价和预测,并提出了一种基于模糊核聚类的优化径向基神经网络学习算法.经过大量实验,该系统对一般丝型织物的缝纫平整性能评价预测具有客观、快速和高效等优点.

基于EGK' M-RBF网络的顺丁橡胶门尼黏度预测

提出一种基于增强的全局K’-means算法(EGK’M)-RBF网络的建模方法,该方法采用作者提出的EGK’M来确定RBF网络隐含层的结构,包括隐含层中心个数、中心位置以及隐含层扩展常数,采用KPCA提取非线性特征信息,实现辅助变量的二次选择。并与基于PCA和EGK’M-RBF网络模型、基于KPCA和K-means算法的RBF网络模型进行比较,模型验证结果证明本文所提出的模型具有更好的预测能力,更小的泛化绝对误差和均方误差。

基于混合优化的RBF神经网络集成的降水预报模型

针对传统的单个RBF神经网络集成中个体的隐节点个数和初始参数难以客观确定的不足,为了提高泛化能力,提出一种以高斯核函数的混合优化的RBF神经网络的方法,首先引入正交最小二乘法动态客观的获取数据中心的个数、数据中心及权值;然后通过计算隐层中心点间最小距离作为扩展常数;最后使用剃度法调节权值、中心及扩展常数使网络参数和结构达到最优.该方法结合了正交最小二乘法和剃度算法的优点,通过从结构和算法两方面的调整提升了单个的传统的RBF网络的性能.并将上述优化混合的RBF神经网络与主成分分析方法相结合建立模型.本文以广西5月逐日降水事先初选的众多预报因子进行主成分分析算法提取有效的几个综合因子,然后使用混合算法优化的径向基网络建立降水预测模型.结果表明,该模型具有较好的收敛效果和泛化能力,在预报性能上明显优于同期的T213降水预报,具有一定的普遍适用性.