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.     

BP网络和RBF网络在函数逼近领域内的比较研究

通过仿真实例,对BP网络和RBF网络的函数逼近能力进行了比较研究,仿真结果表明,RBF网络的函数逼近能力在多个方面都优于BP网络,但在解决相同问题时,BP网络的结构要比RBF网络简单;实际应用中,可以以此结论为指导来设计神经网络。     

基于RBF神经网络的股票预测理论探讨

股票市场是个复杂且难以预测的系统,主要是因为影响股价变动的因素非常多,并且它是一个典型非结构性及非线性的系统。径向基函数(RBF)是一种具有单隐层的三层前馈网络。是借鉴生物局部调节和交叠接受区域知识的基础上,采用局部接受域来执行函数映射的人工神经网络。具有很强的局部非线性逼近能力和自学习、自适应等特性。对于每个训练样本,它只需要对少量的权值和阈值进行修正,结构简单、训练简洁且学习收敛速度快,能够逼近任意非线性函数。因此,将RBF神经网络应用于股市中,进行尝试预测和分析股市。     

离心泵联合运行特性曲线的拟合方法研究

针对两台离心泵联合运行方式下特性曲线及管路特性曲线难以确定的现状,通过采用基于最小二乘法的多项式、三次样条函数和神经网络法分别对联合运行的特性参数进行拟合和分析。     

基于自适应RBF神经网络的电网变压器故障检测

变压器的故障诊断方法大部分以油中溶解气体为诊断基础,如目前较为常用的四比值法、三比值法等。但存在"编码盲点"、故障诊断准确度不够等问题。本文提出一种基于自适应RBF神经网络的电网变压器故障检测方案,算法输入层节点只会把信号传送到隐含层。在隐含层中,通常使用高斯函数来对所得到了输入向量响应。输出层则是使用一般的线性函数来对输出进行加权。这种模式是一种标准的前向网络模式,能够使得神经网络的输入空间与输出空间得到映射,进而为分类网络并实现函数逼近,提高了网络收敛速度。仿真实验结果表明,本文提出的自适应RBF网络在故障诊断的准确率以及诊断时间的表现皆优于BP、GA-BP神经网络,所在在变压器故障诊断时,可以优先考虑自适应RBF神经网络。     

基于最小二乘支持向量机的数据挖掘应用研究

随着数据仓库技术、联机分析技术的发展。基于数据库的数据挖掘已成为一种重要的数据处理手段。最小二乘支持向量机作为一种新的机器学习方法。具有全局收敛性和良好的泛化能力。本文将其应用于数据挖掘的分类与预测研究。通过棱函数的选择及参数优化，并结合支持向量机、多层感知器神经网络模型及判别分析方法进行比较研究，证明最小二乘支持向量机作为一种有效的数据挖掘算法具有较高精度。     

基于MATLAB的RBF神经网络在分类中的应用

RBF神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型,它可以把线性不可分问题转化为线性可分问题,具有逼近任意复杂非线性映射的功能。本文利用RBF神经网络工具箱解决分类方面的问题。     

基于神经网络的图像颜色测温研究

鉴于高温物体的颜色与其温度之间存在某种非线性关系,用数码相机对高温物体发出的颜色光进行标定得到颜色的特征参数,再利用神经网络的非线性逼近能力即可得到温度值。通过分别训练BP,RBF和小波神经网络,分析比较三种网络在图像颜色测温中对温度的拟合。     

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。     

复合神经网络模型在汽车配件销售预测中的应用

针对汽车零部件销售量的预测开展了预测模型建模的研究,从销售历史数据特征研究入手,建立、选择并优化预测模型。利用BP神经网络、RBF神经网络和基于差分进化的BP网络,分别建立3个不同的预测模型。采用基于最小二乘准则,将取得的3个预测模型合成为一个复合模型HANNFM。由此建立的复合模型,具有稳定性好、精度较高等特点。试验验证了它是一种有效的汽车零部件销售量预测的预测方法,对决策者有一定的参考价值。     

RBF神经网络拟合高程异常的探讨

利用MATLAB神经网络工具箱中RBF神经网络函数来实现GPS高程转换,结合工程实例详细论述了转换过程中RBF函数的散布常数(分布密度)Spread和隐层神经元个数mn两个关键参数确定的问题,并进行了比较分析,以期RBF神经网络在实际应用具有借鉴意义。     

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。     

基于最小二乘支持向量机的轴承故障诊断研究

针对神经网络在轴承工作状态诊断中存在的问题,提出了将最小二乘支持向量机用于轴承的智能诊断。基于轴承故障信息,用最小二乘支持向量机方法建立多类故障分类器,以实现对故障的诊断。仿真证明:小样本情形下,最小二乘支持向量机比神经网络具有更好的识别和诊断准确率。     

多维正交整体最小二乘应用研究

以往整体最小二乘的研究是在二维基础上探讨模型的适用性,但从二维延伸到多维的过程中,会引入过多的自变量与因变量误差,而在模型解算过程中,又不能完全考虑每一个误差变量,造成了误差的偏执,形成整体最小二乘最优结果的虚假现象。本文对二维延伸到多维的整体最小二乘、所产生的误差偏执、模型变异问题进行分析,引入了多维正交整体最小二乘,避开了误差变量的影响,使得二维、多维的整体最小二乘解算结果都可以达到最优。     

BP神经网络实现函数逼近的应用分析

文章指出了BP神经网络存在的问题,选择了一个具体的目标函数,利用Matlab的神经网络工具箱进行系统仿真,通过改变系统的隐层神经元数目、训练函数和激励函数,分别比较了系统在模型发生改变后在实现函数逼近性能方面的差异,并提出了要使BP神经网络在函数逼近方面具有良好的性能,在隐层神经元数目、训练函数以及传递（激励）函数三个方面需要注意的问题。     

随机连续系统基于Laguerre多项式逼近的Markov参数估计

先讨论基于Ｌａｇｕｅｒｒｅ多项式逼近、有连续Ｗｉｅｎｅｒ过程扰动的随机连续线性系统最小二乘参数估计，然后讨论Ｗｉｅｎｅｒ过程的Ｌａｇｕｅｒｒｅ多项式逼近值的相关性和最小二乘估计的有偏性，在此基础上，提出无偏一致的Ｍａｒｋｏｖ估计（最小方差估计）算法，仿真结果显示本文方法的有效性．     

RBF神经网络在建筑物沉降预测中的应用

介绍了基于matlab的径向基函数RBF神经网络对于建筑物沉降预测的方法,讨论了RBF神经网络的构造思路、参数和分布密度spread的选择。为建筑物变形监测人员的数据分析、变形预测提供了一个可行的概念。     

基于免疫算法的RBF网络优化

针对RBF的网络算法有多种,具有固定中心的RBF网络训练算法、梯度下降的RBF网络训练算法、最小二乘的RBF网络训练算法,无论哪种算法,对于求RBF网络隐节点的中心c j和标准参数？2都是比较困难的,如何使网络学习达到要求的精度,本文提出了基于免疫算法的RBF网络优化的改进算法,使隐节点的中心求解较为容易,有利于RBF网络有效的推广。     

基于回归分析的失业预警建模实证研究

指出失业预警系统的建模是一个小样本、高维度、非线性、存在噪音数据的复杂的建模问题,重点探讨了基于回归分析技术对失业预警系统进行建模的理论、方法与步骤。讨论了常见的缺失数据处理、数据归一化以及特征降维等数据预处理方法;进一步分析了最小二乘回归、Logistic回归、岭回归、BP神经网络以及支持向量回归五种回归技术;最后基于广东省的社会经济调查数据对五种回归方法进行了实证分析,实验结果表明:在对失业率的预测上,支持向量回归预测效果最好,最小二乘回归、岭回归与BP神经网络次之,Logistic回归预测效果最差。     

智能交通动态流量预测算法研究

交通流量预测是智能交通领域的核心内容之一,近年来已经成为国际学术界研究的热点与难点课题之一。本文对交通流量预测算法进行了深入的研究,提出了基于递归正交最小二乘径向基神经网络交通流量预测方法,并从实验和理论上与BP神经网络的预测性能作了系统的比较,通过仿真实验得出结果,证明了算法的有效性。