基于模糊观测数据的RBF神经网络回归模型

提出了一种基于模糊观测数据的RBF神经网络（FORBFNN）,用于解决一类输出不可精确测量但可用模糊隶属度来表征的非线性系统建模问题．神经网络模型中各隐层神经单元的权重系数采用一种新的模糊EM算法辨识获得;隐层神经单元的数量及径向基函数的中心和宽度基于一种数据驱动的方法自适应确定,即首先初始生成一个隐层单元,然后根据一定的规则逐步加入新的单元,该过程不断迭代直到模型满足预设要求．该方法同时考虑了模型的复杂度及预测精度．数值模拟实验结果表明该建模方法是有效的,且建立的模型具有较高的预测精度．     

一种新的入侵检测方法

将一种基于聚类算法的RBF(径向基函数)神经网络方法运用于入侵检测中。在这种方法中采用两阶段学习方法,在利用非监督学习算法确定网络隐层中心时,提出一种基于高斯基的距离度量,并联合输入输出聚类的策略。基于F isher可分离率设计高斯基距离量度中的惩罚因子,可以提高聚类的性能。通过构建入侵检测模型,一方面可以加速网络训练速度,另一方面可以提高入侵检测在预测误报漏报中的性能。     

三种RBF神经网络比较分析

径向基函数(RBF)神经网络广泛应用于模式识别、非线性函数逼近等领域。通过对聚类、梯度、正交最小二乘三种RBF神经网络进行正弦函数逼近的仿真实验,从中比较分析这三种RBF神经网络。得到的对比分析结果表明:正交最小二乘的方式所需的训练时间最短,网络收敛速度最快,并且不需要预先定义隐层节点数。     

基于改进的径向基函数神经网络水泥强度预测方法

通过将遗传算法应用于径向基函数神经网络参数设计中,提出一种基于遗传算法优化的径向基函数神经网络水泥强度值预测模型,实现径向基函数神经网络隐层节点函数的中心矢量、基宽向量和隐层与输出层之间权值的优化设计.以经归一化处理后的输入样本数据为模型输入,以水泥28 d强度值为模型输出,建立经遗传算法优化后的径向基函数神经网络预测模型.仿真结果表明,优化后的径向基函数神经网络能达到较高的预测精度,可用于水泥强度的预测.     

基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法

为提高煤灰熔点的预测精度,提出了一种基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法.该方法融合了神经网络构造算法和剪枝算法的优点,分为“粗调”和“精调”2个阶段.粗调阶段动态增加隐节点数目直至满足相应的停止准则;精调阶段对粗调得到的RBF网络的结构和参数作进一步调整.基于煤灰的化学组成成分建立相应的构造-剪枝混合优...     

基于改进RBF神经网络的电机故障诊断方法研究

考虑到RBF神经网络隐层高斯径向基函数的参数较难确定,电机故障的多样性和复杂性,传感器获得信息的不确定性,以及高斯径向基函数与正态云具有相似之处,将云模型和RBF神经网络相结合用于诊断电机故障.通过高维云变换确定RBF隐含层神经元数,优化RBF神经网络结构.最后提取信号的奇异值熵和样本熵作为特征参数,输入改进的RBF神经网络,进行实验仿真.结果表明,新模型能较好地实现对电机轴承的故障诊断.     

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.     

基于PSO优化的模糊RBF神经网络学习算法及其应用

有一种基于PSO优化的模糊RBF神经网络学习算法,该算法首先将模糊RBF神经网络需要调整的参数作为粒子,利用PSO算法的全局搜索及快速收敛特性对模糊RBF神经网络结构进行优化,然后将经PSO算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,再结合梯度下降法对网络的各参数进行动态调整。将之应用于对UCI数据集的分类及函数逼近,仿真结果表明优化后的模糊RBF神经网络具有更高的精度及鲁棒性。     

在Lp中一类近似插值神经网络的逼近误差

研究一类近似插值单隐层前向神经网络的逼近问题.利用Steklov平均函数,以光滑模为度量,估计了该网络对Lebesgue可积函数的逼近误差.所获结果表明:对于定义在[a,6]上的任意p(1≤P＜+∞)次Lebesgue可积函数f(x),只要隐层节点数n足够大,均有一个近似插值神经网络以任意精度逼近f(x).     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

基于小波神经网络的污水厂总磷预测模型

污水厂进水污染物与出水总磷的变化规律呈高度非线性,而传统机理预测模型需要依据经验设定大量参数,预测精度较低,预测相对误差处于15%~25%之间。为提高预测精度,以进水化学需氧量、总氮、氨氮、总磷、进水量5个进水指标与出水总磷浓度的映射关系建立小波神经网络预测模型。结果表明,小波神经网络模型模拟相对误差为9.87%,相较于机理模型,预测误差降低了5%~15%;同时模型收敛速度快,具有强大的非线性拟合能力,运行稳定性强,对污水厂实际运行中出水总磷预测有一定参考作用。     

基于SVM算法的客户诚信度评价模型的研究

针对目前大量的商业活动中对客户诚信度评价方法的欠缺,提出了一种新型的预测模型,即将高斯核函数同SVM算法相结合,在非线性多维特征解空间的环境下,也可做到较为准确的评估．通过实践验证,同以往的预测模型相比较,该算法不论在预测准确性以及泛化能力上都有更为突出的表现．     

基于 A-LSTM 算法的烧结矿质量预测

针对烧结厂烧结杯实验周期长等问题,构建一种 A-LSTM 的烧结矿质量预测模型。在 LSTM 网络基础上借鉴注意力机制思想,通过权重再分配使网络更加关注训练过程中的非冗余数据。为减少损失函数在训练过程中的震荡,提出加权均方误差损失计算方式,考虑每轮输入数据缺失值占总体的比重,使模型预测更为准确。实验结果表明,A-LSTM 预测方法准确率可达 92.7%,相比于原始 LSTM,预测准确率提升了 1.9%。     

基于LM—BP神经网络的GDP预测模型及其应用

讨论了基于Levenberg—Marquardt（LM）算法的BP神经网络及其GDP预测的应用。LM算法利用误差函数二阶导数信息,对高斯一牛顿法的优化,相对传统的负梯度法而言,其收敛速度更快。最后以贺州市GDP为例,就预测的效率和精确度来说,LM—BP网络预测GDP的速度和精度明显优于标准的BP算法网络。     

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RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

一种深层过程神经网络及其在信号分类中的应用

针对时变信号小样本集建模分类问题,提出一种深层多尺度径向基过程神经网络（DLMS-RBFPNN）。该模型由时变信号输入层、多尺度径向基核变换层、全连接层和感知机分类器构成。兼顾时变信号的频谱特征和分布形态的多样性,基于径向基过程神经网络,通过将不同宽度参数的Gauss核函数进行线性叠加,构成多尺度核,完成不同尺度上对过程信号形态特征的提取、辨识和相似性度量。通过在径向基核函数层之上叠加全连接层和分类器,实现时变信号不同尺度特征的融合和分类。DLMS-RBFPNN具有较少的模型参数,适用于小样本集建模,在机制上可提高对时变信号过程细节特征和趋势特征的辨识及记忆能力。在分析DLMS-RBFPNN性质的基础上,建立一种基于动态聚类算法的核中心函数确定方法以及基于PSO的模型参数优化求解算法。以旋转机械基于示功图信号的故障诊断为例进行实验,结果验证了模型和算法的有效性。     

动力波吹脱-Fenton-SBR组合工艺处理垃圾渗滤液

老龄化垃圾渗滤液氨氮(NH3 -N)浓度极高,可生化性差,处理难度大。本研究采用物理化学和生物工艺相结合的方法处理老龄化垃圾渗滤液,动力波吹脱法去除NH3 -N,Fenton氧化法去除生物难降解化合物,A/O型SBR法去除生物可降解成分,创新性地提出了一种动力波吹脱-Fenton-SBR 组合工艺。通过对实验条件的正交分析,确定了最佳的实验参数。结果表明,经动力波吹脱-Fenton-SBR组合工艺处理处理后的垃圾渗滤液,其出水COD 和NH3 -N的去除率最高可达96.67%和97.98%。相比现有的诸多工程实例,本研究提出的组合工艺处理成本低至45.95 元/ t,处理效果更好,成本更低。     

BP神经网络在多维非线性函数拟合中的应用

为了解决常规方法拟合多维非线性函数的预测结果精度较低问题,采用非线性映射能力较强的BP神经网络进行多维非线性函数拟合。通过对BP神经网络结构及训练过程的分析,依据给定的两维非线性函数构建BP神经网络模型,并利用MATLAB软件对BP神经网络进行预测。仿真结果表明,BP神经网络对于两维非线性函数有良好的拟合能力,拟合误差小、收敛速度快,也使该方法具有较好的推广性。