基于粗糙径向基函数的瓦斯涌出量预测

针对径向基网络对训练样本要求高的情形,将粗糙集和径向基神经网络相结合,提出粗糙径向基神经网络的方法,利用粗糙集对数据进行属性规约,得到适合径向基网络要求的数据,进而提高了其训练速度以及精度。将该方法应用在瓦斯涌出量预测的实验中,并将粗糙径向基神经网络和BP网络的预测结果进行对比,可以得出粗糙径向基网络预测效果比BP的效果好的结论,同时证实该方法的可行性。     

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。     

基于小波变换和径向基神经网络的签名识别

主要研究利用小波变换和径向基神经网络进行签名图像的分类识别.它包括不同签名图像和相似签名图像的分类识别.所提出的方法包括小波域的图像特征提取和利用径向基神经网络的模式分类.采用小波的多分辨分析方法对签名图像进行时频分析特别有效.熵和能量相关特征的概念用于小波域.径向基神经网络具有快速的收敛速度和分类能力.实验仿真证实了利用小波变换和径向基神经网络进行签名图像分类识别的有效性,且成功识别率100%.     

径向基函数神经网络与稀土卤化物标准生成焓的研究

研究并应用径向基函数神经网络(RBF-network)对稀土卤化物标准生成焓进行定量建模,相关系数r达到0.9985,样本误差较小,显现了神经网络方法在该领域的优势.交互预测结果证明模型具有好的稳定性和泛化性能,对7个未知样本所作的预测有一定参考价值.     

基于有效度的公路货运量预测

以某市公路货运量的历史数据为例,分别采用灰色模型和径向基神经网络模型对公路货运量进行预测。在此基础上,运用有效度理论,构建并联型灰色神经网络模型,并对两模型的预测结果进行加权作为最终预测值,计算结果表明了该方法在公路货运量预测中的有效性。文中还应用马尔可夫链预测模型对组合模型的预测结果进行了分析,增加了预测结果的可信度。     

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。     

一种用于山区土壤重金属评估的集成RBF空间插值算法(英文)

提出了一种在山区能够准确、稳定地预测未采样点土壤重金属浓度的集成径向基函数神经网络空间插值方法(IRBFANNs).该方法集成径向基函数神经网络和神经网络集成技术的优点.为了研究所提IRBFANNs方法的性能,进行了3组不同采样密度条件下的实验.通过M n元素插值的均方根误差和分布估计图对IRBFANNs和其他6个插值方法进行了比较.实验结果表明:IRBFANNs方法在精确性和稳定性方面优于其他参评方法,且在采样密度稀疏条件下该方法能够提供细节较丰富的分布估计图.     

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EKF和RBF的路面附着系数估计

针对车辆行驶下的路面附着系数估计问题,提出了扩展卡尔曼滤波算法(EKF,Extended Kalman Filter)与径向基神经网络(RBF,Radial Basis Functionneural network)相融合。通过扩展卡尔曼滤波算法得出路面附着系数估计所需要的车辆状态参数,结合轮速等直接数据采用径向基神经网络对路面附着系数进行估计。神经网络的训练样本通过Carsim/Simulink收集不同行驶工况,并采用差值寻优的方法对径向基神经网络算法中的决定系数进行优化。基于双移线工况验证了该算法在路面附着系数估计上具有较高的精准度。     

关于我国外汇储备需求量的预测分析

适度的外汇储备对一国经济的良性循环起重要作用，本通过多元回归的方法，对我国1998－2000年的外汇储备进行预测。     

基于RBF神经网络的无通道保护

在故障分析的基础上，阐述了应用径向基函数神经网络(RBF神经网络)实现输电线全线路无通道快速保护的原理，并对各种故障类型的电磁暂态分析程序(EMTP)和madab进行仿真测试，以证明该保护的可行性。     

基于径向基神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用一个两层神经网络在线自适应调整PID控制器的参数;从而使系统的静态和动态性能指标较为理想.径向基函数神经网络用来辨识交流伺服系统的Jacobian信息,用正交最小二乘算法得到径向基函数神经网络的结构;然后用BP算法对该网络的权值进行训练使它逼近给定的函数.实验结果表明,这种系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

基于RBF神经网络模型的在线旅游供应商客户分类研究

采用某在线旅游供应商提供的客户信息数据作为研究样本,使用SPSS软件建立RBF神经网络模型,针对1016名会员数据进行径向基函数建模训练。结果表明,得到的模型针对白金会员和钻石会员群体的预测效果良好。运用训练好的模型针对166名非会员客户进行分类预测,筛选出有潜力成为为钻石会员的客户子集共57名,为企业营销提供了指导。     

小波变换和RBF神经网络的风功率预测

针对风电场输出功率表征的周期性及随机、间隙、非平稳特性,提出一种小波变换(Wavelet Transform,WT)和径向基神经网络(RBFNN)相结合的风功率预测方法,并引入平均温度、相对湿度及降雨量等气象因素预测未来一段时间的风电功率输出。小波分解能有效地表征风电场输出功率时间序列的局部特征;人工智能方法可以捕捉到风力发电中的非线性特性。引入气象因素的WT和RBF神经网络预测方法能有效地提高预测准确度。以平均绝对误差和均方根误差为预测评价指标,与RBF神经网络方法相比,提出的小波变换和RBF神经网络预测方法具有更好的预测效果,从而可减少风电波动性对电网的影响,提高电网的安全性和可靠性。     

我国外汇储备的灰色关联分析与趋势预测

本文通过运用灰色关联法对影响我国的外汇储备的因素进行分析,找出影响我国外汇储备的主要关联因素,并运用GM（1,1）模型对未来几年的外汇储备量进行了预测。     

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.     

我国适度外汇储备量刍议

一国的外汇储备应当保持总量适度，结构合理。该文拟用理论模型进行实证分析，推导出我国外汇储备量最适度规模，以此与我国目前实际外汇储备量进行比较，得出的结论是我国外汇储备量过多，应对外汇储备进行有效管理，保证我国持有的外汇储备收益最大化。     

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.     

基于最近邻-径向基函数网络的PVC价格预测模型

将最近邻思想与径向基函数网络相融合,设计了基于最近邻-径向基函数网络的预测方法,并将其应用于PVC价格预测,取得了良好的效果.本文所设计的方法具有通用性,可应用于其它时间序列变量的预测问题.