基于混合学习算法的径向基函数神经网络设计

隐藏层中心点参数的选择和权值向量的快速计算是径向基函数神经网络设计的关键问题.基于"半月"数据集,论文提出了一种上下半月单独计算聚类中心的K-均值聚类、递归最小二乘算法计算权值向量的混合学习算法.基于三层RBF神经网络结构,以支持向量机作为分类器,开展了K-均值+最小均方算法及K-均值+递归最小二乘算法2种混合模式的对比实验.实验结果表明,"K-均值+RLS"算法相比"K-均值+LMS"算法具有更快的收敛性,在应对线性不可分的情况,上下半月单独作用的K-均值聚类算法表现更优越,综合考虑收敛速度及分类精度两个指标,论文提出的上下半月单独计算中心点的K-均值聚类+RLS的混合学习算法获得较优的性能.     

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.     

一种基于径向基函数插值的全局优化算法

通过将径向基函数插值方法嵌入到遗传算法中,得到了求解全局优化问题的一种混合算法.该混合算法是在径向基函数插值方法的基础上进行改进的,这种改进提升了黑箱函数全局优化的收敛效果,发挥了传统数值算法在计算速度与计算精度上的优势,既能简化所求解问题,也能全局搜索.     

径向基函数在文本分类中的应用

利用RBF网络进行文本自动分类,对训练集进行聚类,使得每个簇内部的相似性尽可能高,而簇之间的相似性尽可能低.为每一个簇的中心定义相应的径向基函数,再对由这些径向基函数构成的两层神经网络进行训练.因考虑到了不同簇之间的差异性,因此很好解决＂兼类＂问题.     

非标准插值基函数的构造

应用函数构造理论，推导出了非标准插值基函数的表达式，把插值基函数由标准形式推广到了非标准形式．     

基于径向基函数(RBF)神经网络的测流断面插值处理

水文测验中的测流断面数据处理方法较多,大多采用线性插值法,但精度不够高。在传统插值方法的基础上,运用径向基函数神经网络进行插值计算,实验表明,其插值精度符合水文行业规范要求,且可提高流量测验成果的精度。     

拉格朗日插值基函数的相关性质

讨论并给出了n＋1个互异插值结点的拉格朗日插值基函数的几条性质。     

基于径向基神经网络的我国外汇储备规模预测

基于MATLAB6．5平台编程，运用非线性径向基神经网络对我国外汇储备规模进行预测分析，以我国历年外汇储备数据为训练样本，进行网络训练与检验，结果表明，我国外汇储备存在超常规增长，径向基神经网络具有良好的预测性能。     

径向基函数网络在电液伺服系统故障诊断中的应用研究

针对电液伺服系统的故障诊断,提出融合系统状态信息作为系统特征向量,引入径向基函数网络作为模式识别分类算法的智能诊断方法,并论述采用径向基函数网络作为分类算法的可行性及其优势。最后以电液位置伺服系统为例,建立相关的径向基函数网络,验证以上的陈述。     

基于径向基神经网络的非线性系统辨识

提出了基于径向基函数神经网络模型的系统辨识方法，由于径向基函数的神经网络比多层前馈人工神经网络模型相比，在逼近非线性函数时，具有结构简单，收敛快、且无局部极小的优点，通过计算机仿真证实了该方法具有良好的辨识效果。     

基于径向基函数网络与WebGlS的茶叶病害预测

利用GIS空间分析与MATLAB数值计算功能的进行模式整合,应用MATLAB神经网络工具箱,从GIS服务器调用参数信息建立RBF神经网络预测模型,将内容反馈给服务器,形成GIS与预测模型的无缝连接,通过We—bGIS对预测模型进行实时动态显示,实现对茶叶病害的预测、查询和诊断。此外,系统具有对空间、属性数据的分析与处理功能,并将抽象的数据转化成清晰简明的电子地图,以直观的图、袁显示病害类型及病害地域分布规律,为茶叶病害的诊断防治提供快捷、高效的服务。     

基于进化算法的隐神经元可调径向基函数网络

本文提出了一种改进的称为隐神经元可调径向基函数神经网络 (HNMRBF) ,并且应用进化规划算法作为聚类算法来决定和修改HNMRBF网络的隐神经元 .最后 ,我们使用基于进化规划算法的HNMRBF网络来进行被动声纳信号目标的分类 ,结果表明HNMRBF网络能有效地解决用传统神经网络时所遇到的问题 ,即在线学习新的目标模式时往往会遗忘旧的模式 .     

基于径向基函数的图像变形算法与系统研究

图像变形技术可帮助用户获得新的图像,其广泛应用于计算机图形图像领域,具有重要研究价值。基于无网格法的图像变形采用线性混合的光滑基函数表示变形函数,往往具有天然光滑的性质,其中径向基函数是一种被广泛采用、性能良好的光滑基函数。研究径向基函数方法在不同参数下的变形行为,包括基函数采用的距离形式、采样中心个数与位置,以及径向基函数表示形式等。开发一个图像变形系统,用户可通过鼠标拖拽方式驱动图像变形,用户体验良好。实验结果表明,该变形效果光滑,且仅需 2~6s 即可完成变形和渲染。基于径向基函数的图像变形能获得光滑效果,且选择的参数将影响变形行为。     

基于神经网络预报的动态矩阵预测控制

提出了一种基于径向基神经网络预报的动态矩阵预测控制新算法，在该算法中，先用RBF神经网络辨识对象模型，同时预测对象的未来输出，然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模的问题，仿真结果验证了这一新型算法的可行性。     

径向基网络在环境质量评价中的应用

应用径向基网络（RBF－ANN）算法的人工神经网络建立了环境质量评价模型，为便于比较，将该模型应用于贵阳市1991－1995各年度的大气环境质量评价，结果表明，径向基网络用于环境质量评价具有客观性和实用性。     

双线性函数空间的正交函数基与正定函数基

给出了正交双线性函数基与正定双线性函数基；证明了：(1)每个双线性函数均可由正交双线性函数基惟一线性表出；(2)每个对称双线性函数均可由正定双线性函数基惟一线性表出．     

人工神经网络在工业机器人中的应用

Artificial neural networks (ANNs) have been widely used to solve a number of problems to which analytical solutions are difficult to obtain using traditional mathematical approaches. Such problems exist also in the analysis of industrial robots. This paper presents an overview of ANN applications to robot kinematics, dynamics, control, trajectory and path planning, and sensing. Reasons for using or not using ANNs to industrial robots are explained as well.     

Galerkin径向边界点法

将边界积分方程的等价变分形式与径向基点插值法相结合,提出了Galerkin径向边界点法.由于径向基点插值法构造的形函数具有Delta函数性质,因此边界条件可以很方便地得到满足;该法也能保持变分问题的对称性和正定性.数值算例验证了该方法的有效性.     

Nonlinear Time-Varying Systems Identification Using Basis Sequence Expansions Combined with Neural Networks

A new method for identifying nonlinear time-vaying systems with unknown structure is presented,The method extends the application ar5ea of basis sequence identification.The essential idea is to utilize the learning and nonlinear approximating ability of neural networks to model the non-linearity of the system,characterize time-varying dynamics of the system by the time-varying parametric vector of the network ,then the parametric vector of the network is approximated by a weighted sum of known basis sequences,Because of black-box modeling ability of neural networks,the presented method can identify noninear time-varying systems with unknown structure,In order to improver the real-time capability of the algorithm ,the neural network is trained by a simple fast learning algorthm based on local least squares presented by the authors,The effectiveness and the perfomence of the method are demonstrate3d by some simulation results.