一种改进的基于神经网络的入侵检测算法

径向基神经网络具有良好的分类特性,被广泛应用于入侵检测系统的研究中,然而RBF神经网络需要事先确定隐层神经元数目,并且容易陷入局部最优.利用遗传算法优化隐层神经元数目,并且基于粒子群思想优化隐层到输出层的权值,同时给出了详细的算法流程.经Lincoln实验室入侵检测系统数据评估集合测试,该智能算法的检测成功率大大提高,并且训练时间比较短,完全可以应用于入侵检测系统中.     

RBFNN在数字识别中的应用

径向基(RBF)神经网络是一种典型的前馈网络,具有收敛速度快、能收敛到全局最优点、可最佳逼近等优点。网络设计的主要问题包括隐层节点数、中心和半径的确定,以及网络权值的训练等。这里设计了一个用于车牌字符识别的径向基神经网络(RBFNN),利用竞争学习算法对网络进行学习,确定中心,并采用梯度下降法找到合适的权值参数,用Akaike的FPE标准精简网络,获得了94.9%的识别准确率。     

绿色供应商评价的RS-RBF神经网络模型

针对绿色供应商评价的非线性、复杂性等问题,提出一种基于粗集-径向基函数神经网络(RS-RBF)的绿色供应商评价模型。利用改进的属性约简算法对各评价指标进行属性约简以减少径向基函数神经网络的训练数据,利用径向基函数神经网络的自学习,自适应及最佳逼近性能对评价数据进行量化训练,利用Matlab7仿真结果表明,该绿色供应商评价模型较其他单模型运算速度更快,评价误差更小,预测精度更高,获得了较好的评价结果。     

基于遗传算法的径向基网络PID控制器设计

利用遗传算法的全局优化能力和径向基网络相结合,得到了一种PID控制策略。通过遗传算法,实现对PID参数的优化整定,并给出了具体的遗传优化算法。同时,用径向基网络进行系统辨识,从而实现了PID参数自整定的控制器。最后给出汽车CIMCAR-1运动过程的仿真。     

基于径向基函数神经网络的数据关联挖掘算法设计

为了提高用户需求数据挖掘的时效性及准确性,提出基于径向基函数神经网络的数据关联挖掘算法。在对数据频繁项集约束性关联规则研究的条件下,通过约简计算,得到满足约束条件的候选数据集,并对用户需求数据频繁项集更新;利用径向基函数神经网络对候选数据集进行训练优化,通过上界剪枝法,获取用户需求数据,并实现其实时挖掘。实验结果表明,所提数据挖掘算法执行效率受数据规模变化的影响较小,挖掘效率更高,扩展性更好。     

基于暂态特征与径向基神经网络的家用负荷识别方法

家用负荷识别可以指导用户合理用电,同时有助于电力部门需求侧管理,对智能电网的发展具有重大意义。本文依据负荷投切过程的暂态特性,提出了一种基于径向基神经网络的家用识别方法。该方法利用变点检测算法差量提取出负荷投切的暂态特征,然后使用径向基神经网络对负荷进行识别。实验结果表明,该方法对常用家用负荷具有良好的辨识能力。     

基于混合BP神经网络算法的信用卡消费行为风险预测

随着中国信用卡市场的急速发展,信用卡消费行为的风险评估已成为业界研究的一个重要方向.目前风险预测的研究常采用单一的BP神经网络算法,但该算法存在一些固有缺点,如易陷入局部极小点、收敛速度较慢等,这些缺点会影响风险预测的效果.针对单一BP神经网络算法的不足,提出了一种将BP神经网络算法与遗传算法相结合的混合算法,它以BP神经网络作为基础,利用遗传算法对BP神经网络进行优化,并通过数据集的实验证明该混合算法要优于单一BP神经网络算法,可以有效提高信用卡消费行为风险评估中的检测率和准确率.     

基于径向基神经网络的专利申请数量预测研究

利用径向基神经网络,对国内外近年来专利申请数量进行了预测。预测结果同用时间序列ARMA模型预测的结果进行了比较。预测结果表明：良好训练的径向基神经网络的输出数据能与实际专利申请数较好地吻合,而且比ARMA预测方法更为有效,可作为专利预测的一种新手段。     

基于改进的GA优化BP神经网络的煤矿设备的故障诊断

面对越来越多的煤矿设备出现的故障,本文提出了将遗传算法(GA)和BP神经网络结合进行预测的方法。针对遗传算法存在收敛速度慢,容易陷入局部最优的情况,本文首先采用混沌和反向学习初始化个体,其次运用差分算法对个体最优进行操作,最后,将改进的适应度函数运用到选择操作中,通过变异概率和交叉概率提高操作的准确率。将改进后的算法运用到BP神经网络中提高了样本训练效果,仿真实验表明本文算法相比于传统BP神经网络提高了精度和增强了稳定性     

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。