基于RBF网络的混沌时序的变形分析和预测

RBF网络是一个三层的前馈型神经网络,它隐含层的转换函数是局部响应的非线性函数,所以它能够以任何精度逼近任意连续函数,这为复杂的变形系统的解释和模型化提供了可能,因而利用RBF网络对混沌时序的分析和预测是变形分析的一种新的途径.本文首先介绍RBF网络,对其变形监测数据的混沌现象进行分析和对RBF网络的混沌时间序列作出分析、预测,最后,总结出运用RBF网络对变形分析和预测对数据拟合模型的精度和预测能力都有很大的提高作用.     

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理．设计了交通流量Voltem神经网络的学习算法快速学习算法：最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。     

混沌时间序列混合预测方法探索

根据Kolmogorov连续性定理,本文建立了混沌—神经网络(C-ANN)预测模型;提出了基于遗传算法和神经网络的混沌预测模型与方法(C-ANN-GA混合预测方法);解决了混沌时间序列的非解析式预测问题;使混沌时间序列预测方法得到了新的改进和发展。     

基于卷积神经网络的混沌序列图像加密算法研究

图像中包含了很多机密和重要信息,因此保证图像安全性具有重要的现实意义.一般混沌加密算法处理后,图像仍然呈现一定程度的周期性等,安全性不足.为此,结合卷积神经网络对一般混沌加密算法进行改进,提出一种基于卷积神经网络的混沌序列图像加密算法.该算法研究分为三部分,首先将明文图像处理成混沌序列图像,包括像分块、混沌系统处理和伪随机序列生成三步骤,然后利用卷积神经网络对混沌序列进行训练,消除混沌序列的周期性,最后对混沌序列图像进行扩散处理,改变原始图像像素值,进一步实现加密处理.结果表明:与3种传统图像加密算法以及一般混沌加密算法相比,所研究加密算法应用下,信息熵最大(8.591),峰值信噪比最小(8.755),说明加密效果更好,保证了图像信息的安全性和机密性.     

情报预测方法应用与比较研究

【目的/意义】自然界中时间序列信号具有非线性、非稳定变化的特点。对时间序列信号实现准确预测,不 仅能够提高风电机组的输出功率,并且有助于调控风电场的运行维护,保障电力系统的安全运行。【方法/过程】本 文基于集合经验模式分解和变分模态分解两种时间序列分解的方法,并将其与RBF神经网络相结合提出RBF直 接预测模型和EEMD-RBF 和VMD-RBF 两种组合预测模型。利用某风电场的原始风速时间序列信息,通过 MATLAB 软件进行编程,进行案例分析。【结果/结论】预测结果表明组合预测模型优于RBF 直接预测模型,且 VMD-RBF组合预测模型的预测结果最为精确。     

复合模型在混沌时间序列中的应用

神经网络和传统线性模型结合为处理混沌时间序列提供了新的途径。将Elman神经网络和单整自回归移动平均模型结合起来,同时分析我国进出口贸易量时间序列中的线性和非线性两部分,得到更准确的预测精度。实证表明,复合模型吸收两类方法的优点,较单一模型能够更有效地预测我国进出口数据。     

雷达和导航信号的混沌分析与遗传优化的RBF神经网络预测

文章从建立雷达和导航信号的轨迹的相空间入手,通过计算Lyapunov指数,得出系统的演化行为是混沌的过程的结论,并对其进行了主分量(PCA)分析,而小波分析与遗传算法优化的RBF网络结合,解决了传统的线性理论不能预测混沌时间序列的难题,从预测的结果来看,全面提高了预测速度,为系统建模奠定了基础。     

粒子群优化的神经网络预测交通流量

交通流量预测是智能交通系统研究的重要组成部分。提出了一种粒子群(PSO)优化RBF神经网络的交通流量预测方法。该方法以误差能量函数为适应度函数,利用PSO算法对RBF神经网络参数进行优化,有效克服交通流量数据非周期性、非线性和随机性等问题。仿真实验结果证明比单纯用RBF预测模型精度高、收敛速度快,表明粒子群优化的RBF神经网络模型具有良好的应用价值。     

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。     

创业板研发投入的神经网络预测:是采用RBF模型还是BP模型?

创业板公司成立时间较短、企业规模较小,其研发投入的影响因素较多,使用营业净利率、每股收益、董监高年薪、可持续增长率、资产负债率、现金流量净额和GDP这些指标,运用径向基神经网络(RBF)和逆传播神经网络(BP)方法构建一个训练完成的神经网络模型,研究发现RBF神经网络模型比BP神经网络模型具有更好的拟合、预测效果。     

Chaos control of the permanent magnet synchronous motor with time-varying delay by using adaptive sliding mode control based on DSC

This paper focuses on the problem of chaos control for the permanent magnet synchronous motor with chaotic oscillation, unknown dynamics and time-varying delay by using adaptive sliding mode control based on dynamic surface control. To reveal the mechanism of motor system and facilitate controller design, the dynamic behavior of the system is investigated. Nonlinear items of system model, upper bounds of time delays and their derivatives are taken as unknown in the overall process. A RBF neural network with an adaptive law, which eliminates restrictions on accurate model and parameters, is employed to cope with unknown dynamics. In order to solve issues such as chaotic oscillation, ‘explosion of complexity’ of backstepping, and chattering associated with sliding mode control, a sliding mode controller is developed within the framework of dynamic surface control by the hybrid of adaptive technology and RBF neural network. In addition, an appropriate Lyapunov function is employed to demonstrate the system stability. Finally, the feasibility of the proposed scheme is testified by simulation.     

Deadzone compensation based on constrained RBF neural network

In this paper, a modified adaptive neural network for the compensation of deadzone is described, and simulated on a hydraulic positioning system, in which the dynamic model is separated into a series of connection of a nonlinear (deadzone) subsystem and a linear plant. The proposed approach uses two neural networks. One is the radial basis function (RBF) neural network, which is used for identifying parameters of deadzone. Based on the penalty function used in optimization theory, a multi-objective cost function with constraint is adopted to provide the best deadzone approximation. The result is used to train the other neural network for the inverse compensation of deadzone. The RBF neural network also generates the parameters of the linear plant for the design of an adaptive controller. A convergence analysis for the network training process is also presented.     

基于径向基函数的非线性混合信号的盲分离

通过径向基函数(RBF)神经网络近似非线性混合映射的方法,研究了一种从非线性混合信号中盲源分离的算法。该方法采用RBF神经网络分离系统输出分量的互信息作为目标函数,目标函数的最小化导致输出量之间的独立性,以便使源信号尽可能的分离出来。采用无监督的模糊C均值聚类方法训练RBF神经网络的权值,可以大大节省计算量。仿真结果讨论了RBF神经网络隐含层不同的神经元个数对盲源分离效果的影响,并且证明了本算法是有效性的和可行的,并且有较强的鲁棒性。     

RBF神经网络在传感器故障诊断中的应用研究

本文针对传感器在自动化系统中的重要性,指出了传感器故障诊断的必要性、可行性以及实现的基本方法。根据神经网络的原理与特点,阐述了RBF神经网络的基本理论和优点,提出了一种基于RBF神经网络用于传感器故障诊断的思路和方法。     

小波自反馈混沌神经网络的研究与应用

提出了小波自反馈混沌神经网络,分析了小波自反馈对混沌神经网络动力学行为的影响;将该暂态混沌网络模型应用于求解10城市旅行商问题(TSP),分析了小波自反馈对模拟退火的影响,得出了小波的自反馈是模拟退火的有效补充的结论;利用小波自反馈的伸缩平移优化了网络求解TSP的性能;最后研究了网络求解旅行商问题的内部状态的暂态混沌搜索、最大Lyapunov指数、混沌区域以及相空间的散度。实验仿真表明,小波自反馈的暂态混沌神经网络能够实现全局优化并具有较快的收敛速度。     

基于径向基神经网络的数字馆藏质量评价研究

根据径向基神经网络的自组织、自学习和自适应等特性,提出了基于径向基神经网络的数字馆藏质量评价方法,建立了评价模型,运用该模型对山东省烟台和威海地区的5所高校图书馆的数字馆藏进行了质量评价.通过MATLAB仿真试验结果分析,证明了其可行性和有效性.     

基于ARIMA-BP神经网络模型海流流速预测研究

海流是一种具有广阔应用前景的无污染可再生能源,结合ARIMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对海流流速预测问题进行研究。采用神经网络模型得出海流流速的残差值对时间序列模型的预测值进行修正,提高了海流流速预测的精度。