一种冠心病心电信号的识别方法

将径向基函数网络(RBFN)用于冠心病心电信号的识别.首先给出了RBF网络的结构,然后讨论了网络的训练方法.并构造了RBFN对冠心病心电信号和正常信号进行了识别.临床和仿真结果表明了该方法的有效性.     

基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法

为提高煤灰熔点的预测精度,提出了一种基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法.该方法融合了神经网络构造算法和剪枝算法的优点,分为“粗调”和“精调”2个阶段.粗调阶段动态增加隐节点数目直至满足相应的停止准则;精调阶段对粗调得到的RBF网络的结构和参数作进一步调整.基于煤灰的化学组成成分建立相应的构造-剪枝混合优...     

基于混合优化的RBF神经网络集成的降水预报模型

针对传统的单个RBF神经网络集成中个体的隐节点个数和初始参数难以客观确定的不足,为了提高泛化能力,提出一种以高斯核函数的混合优化的RBF神经网络的方法,首先引入正交最小二乘法动态客观的获取数据中心的个数、数据中心及权值;然后通过计算隐层中心点间最小距离作为扩展常数;最后使用剃度法调节权值、中心及扩展常数使网络参数和结构达到最优.该方法结合了正交最小二乘法和剃度算法的优点,通过从结构和算法两方面的调整提升了单个的传统的RBF网络的性能.并将上述优化混合的RBF神经网络与主成分分析方法相结合建立模型.本文以广西5月逐日降水事先初选的众多预报因子进行主成分分析算法提取有效的几个综合因子,然后使用混合算法优化的径向基网络建立降水预测模型.结果表明,该模型具有较好的收敛效果和泛化能力,在预报性能上明显优于同期的T213降水预报,具有一定的普遍适用性.     

基于PSO优化的模糊RBF神经网络学习算法及其应用

有一种基于PSO优化的模糊RBF神经网络学习算法,该算法首先将模糊RBF神经网络需要调整的参数作为粒子,利用PSO算法的全局搜索及快速收敛特性对模糊RBF神经网络结构进行优化,然后将经PSO算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,再结合梯度下降法对网络的各参数进行动态调整。将之应用于对UCI数据集的分类及函数逼近,仿真结果表明优化后的模糊RBF神经网络具有更高的精度及鲁棒性。     

基于粗糙集-RBF网络的故障诊断策略

提出用粗糙集和RBF网络相结合进行电力变压器故障诊断的方法,利用粗糙集理论计算诊断决策系统的约简并确定最优决策系统,在此基础上利用RBF网络进行故障诊断.实际诊断结果表明,该方案能有效提高电力变压器故障诊断的准确率.     

基于模糊RBF神经网络的康复机器人控制

针对电力驱动康复机器人控制系统响应滞后、易抖动等问题,提出了基于模糊理论和RBF神经网络的控制策略。采用模糊PID算法确定初始参数,同时利用RBF神经网络的快速学习能力解决了传统的PID控制器无法实现参数自适应调整的问题。以某二两杆康复机器人上肢做位置跟踪仿真实验,结果表明,与传统的控制方法比较,该方法控制的系统响应快、超调量小,具有更好的跟踪性。     

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.     

基于人工免疫系统与RBF的混合算法实现模式分类

提出了一种基于人工免疫系统与RBF的混合算法.该算法由两个阶段组成:第一阶段采用人工免疫机制来确定RBF网络隐层的聚类中心的位置和数量。第二阶段求输出层的权值W,最后用模式分类作试验,实验结果表明,该算法具有收敛速度快,泛化能力强的特点。     

混合神经网络的高校网络舆情预测模型研究

为了对高校大学生群体性事件网络舆情进行准确预测并作正确引导,提出一种基于改进粒子群算法的混合神经网络(HANN)的高校网络舆情的发展趋势预测模型.HANN首先采用自适应调整策略和混沌理论对粒子群算法进行改进得到改进粒子群算法(CSA-PSO),再通过CSA-PSO算法训练径向基人工神经网络(RBF ANN)得到;RBF ANN的结点个数通过试探法确定.通过实例测试和与其它模型比较实验,结果表明所提出的HANN方法具有较高的预测精确,综合性能较好.     

基于AK-RBF神经网络的出水氨氮软测量方法研究

为解决污水处理过程出水氨氮难以精确测量问题,提出一种基于自适应核函数RBF神经网络的出水氨氮软测量方法。由于隐层激活函数对神经网络性能影响较大,AK-RBF 神经网络将基于欧几里得的高斯核与余弦核通过线性组合形成新的隐层神经元激活函数。网络参数学习采用梯度下降算法推导的迭代公式更新以提高网络预测精度。仿真实验表明,基于AK-RBF神经网络的出水氨氮软测量方法能够在线预测出水氨氮,比RBF神经网络具有更高的预测精度和更好的自适应能力。     

Application of BP NN and RBF NN in Modeling Activated Sludge System

Based on the operation data from a certain wastewater treatment plant(WWTP) in northeast China,the models of back propagation neural network ( BP NN ) and radial basis function neural network ( RBF NN ) have been designed respectively and the ability of convergence and generalization has been analyzed separately.As for BP NN, the effects of numbers of layers and nodes have been studied ; as for RBF NN, the influences of the number of nodes and the RBF‘s width have been studied. It is concluded that BP NN has converged much slowly in comparison with RBF NN. The conclusion that the RBF NN is suitable for modeling activated sludge system has been drawn. An automatically optimum design program for RBF NN has been developed, through which the RBF NN model of traditional activated sludge system has been established.     

基于硬限幅功能函数的前向神经网络的分类学习算法(英文)

提出了基于硬限幅功能函数的前向神经网络的分类学习算法,并将其应用于可分凸集或不交集合的分类.仿真结果证明,同基于S功能函数的前向神经网络的BP算法相比,该算法具有较强的分类能力且收敛时间极短.此外,本算法易于硬件实现,且成本低,具有很大的应用潜力.     

两种倒置过程的神经网络控制设计及比较

给出了两种神经网络设计方法,通过用这两种方法解决同一个问题,从而说明了BP算法相对于RBF算法比较粗糙,误差也比较大;而RBF算法训练简洁且学习收敛速度快,能够逼近任意非线性函数．     

一种复合NN智能诊断系统的设计及应用研究

NN智能诊断系统通过把计算机技术、NN技术、ES、GA与力学模型融合在一起,建立一种新型的智能诊断系统。将GA与改进的BP网络相结合,利用GA宏观寻优特点,用来克服BP网络的缺点,二者结合起来相得益彰。与传统的BP算法相比较,GA—BP网络训练速度和预测精度都得到了很大的提高。NN与ES互补,结合ES经验。预测使用寿命。应用MATLAB软件编制的具有自学习功能的智能化监测诊断软件,结合VC＋＋6．0和MATLAB的各自优点和功能,实现了VC＋＋6．0与MATLAB的混合应用,软件设计比较简单。根据系统的分析、设计、编程和仿真实验,系统运行效果很好。应用本系统对混凝土结构进行诊断,能给出结构受损程度,损伤位置及结合ES预测使用寿命,具有高度棒性、高精度、快速的特点。     

基于神经网络的数字广播信号无线定位算法(英文)

为了提高非视距(NLOS)环境下无线定位的准确性和可靠性,提出了一种利用数字广播信号进行移动台定位的神经网络方法.该方法利用神经网络的学习特性和逼近任意非线性函数的能力,建立到达时间(TOA)和到达时间差(TDOA)测量数据与坐标之间的映射关系.将神经网络的连接权值作为非线性动态系统的状态量进行估计,用基于扩展卡尔曼(EKF)的实时神经网络训练算法来训练多层感知器网络.由于基于EKF的训练算法给出的是连接权值的近似最小方差估计,其收敛性要优于误差反向传播(BP)算法.仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于BP基的神经网络算法和最小二乘算法;且该定位方法不依赖于特定的NLOS误差分布,也无需视距(LOS)和非视距识别.     

Nonlinear modelling of a SOFC stack by improved neural networks identification

The solid oxide fuel cell (SOFC) is a nonlinear system that is hard to model by conventional methods. So far,most existing models are based on conversion laws,which are too complicated to be applied to design a control system. To facilitate a valid control strategy design,this paper tries to avoid the internal complexities and presents a modelling study of SOFC per-formance by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of mod-elling,the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. The validity and accuracy of modelling are tested by simulations,whose results reveal that it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA. Furthermore,it is possible to design an online controller of a SOFC stack based on this GA-RBF neural network identification model.     

以粒子蜂群网络建立高性能混凝土坍落度模型

以粒子蜂群算法(particle bee algorithm, PBA)结合神经网络(artificial neural network, NN),发展出一套能预测高性能混凝土(high performance concrete, HPC)坍落度模型的方法。以演化运算树(genetic operation tree, GOT)及倒传递网络(back propagation network, BPN)2种已发表的方法来比较其准确度。从模型的准确度可知,粒子蜂群网络(particle bee neural network, PBNN)模型预测的准确度高于GOT,但接近BPN的准确度;从参数的影响性可知,PBNN显示水、强塑剂、粗骨材、细骨材、粉煤灰及水泥添加量对于HPC坍落度的影响性大,而高炉矿渣粉用量对HPC坍落度并不敏感,显示各项材料对于坍落度的影响仍具备高度复杂性。     

两自由度闭链机器人的神经网络自适应控制

A closed-chain robot has several advantages over an open-chain robot, such as high mechanical rigidity, high payload, high precision. Accurate trajectory control of a robot is essential in practical use. This paper presents an adaptive proportional integral differential (PID) control algorithm based on radial basis function (RBF) neural network for trajectory tracking of a two-degree-of-freedom (2-DOF) closed-chain robot. In this scheme, an RBF neural network is used to approximate the unknown nonlinear dynamics of the robot, at the same time, the PID parameters can be adjusted online and the high precision can be obtained. Simulation results show that the control algorithm accurately tracks a 2-DOF closed-chain robot trajectories. The results also indicate that the system robustness and tracking performance are superior to the classic PID method.     

具有饱和非线性输入的一类混沌系统自适应神经网络控制

针对一类具有饱和非线性输入的混沌系统,基于RBF神经网络的逼近能力提出一种控制方案。该方法利用自适应控制和鲁棒控制,使系统可在模型函数和外扰未知下,设计出结构简单有效的控制器,有效消除了现实中由于饱和非线性输入的存在而引起的控制器抖动的不良控制效果。仿真结果表明了所提控制方法的可行性。     

基于神经网络PID算法的研究与设计

传统PID的算法模型对于复杂的过程和非线性系统难于建立准确的数据模型,甚至在控制过程中出现不稳定现象.为解决此类问题,按PID控制方式选择神经元学习控制所需的状态变量,将自适应神经元与ID控制算法结合起来,较好地解决了交流变频调速系统负载扰动、时滞现象及非线性控制的问题.通过仿真实验比较传统PID和NN PID算法,说明NN PID具有较好的鲁棒性.