基于季节性RBF神经网络的月度市场需求预测研究

本文提出一种季节性神经网络预测模型,对具有季节性变化的产品月度市场需求进行预测.在Matlab语言环境下,用傅立叶周期分析法得到时间序列的周期长度;借鉴嵌入理论,提出了确定季节性神经网络输入维数的策略;利用计算机程序搜索,确定最优参数;通过合理插值,重构样本集.仿真实验表明,该模型的预测精度明显高于其他几个常用的季节预测模型.     

基于RN和GN的两种RBF神经网络的工程造价预测模型

建立了调用NEWRB函数的正规化网络RN和基于K-means聚类的广义网络GN的两种RBF‘神经网络的工程造价预测模型,以55个厦门市工程造价案例进行实证分析.结果表明:当调用NEWRB函数构建RBF模型时,其性能主要取决于分布宽度,而基于K-means聚类的RBF神经网络主要取决于重叠系数和隐含层节点数;基于广义网络GN的RBF神经网络模型的训练效果较差,但学习速度更快、预测精度更高.     

A robust regression approach for spectrophotometric signal analysis

The effectiveness of a regression method strongly depends on the characteristics of the considered regression problem. As a consequence, this makes it difficult to choose a priori the most appropriate algorithm for a given dataset. This issue is faced in this work through a novel regression approach based on the fusion of an ensemble of different regressors. In order to implement the proposed robust multiple system (RMS), four different fusion strategies are explored. In this context, we propose a novel fusion strategy named selection‐based strategy (SBS) that provides as output the estimate obtained by the regression algorithm (included in the ensemble) characterized by the highest expected accuracy in the region of the feature space associated with the considered model. The SBS is based not on a direct combination of the estimates yielded by all the regressors but on a selection mechanism that identifies the expected best available estimate. For such purpose, it exploits the accuracies of the regressors included in the ensemble in different portions of the input feature space. The experimental assessment of the RMS was carried out on three different datasets: a wine, an orange juice, and an apple datasets. The obtained experimental results suggest that, in general, the fusion of an ensemble of different regression algorithms leads to a regression process that is more robust and sometimes also more accurate than traditional regression methods. In particular, the proposed SBS method represents an effective solution to carry out the fusion process. Copyright © 2012 John Wiley & Sons, Ltd.     

基于径向基神经网络的白矮主序双星自动分类

白矮主序双星的光谱特征是决定其类型的关键因素,如何有效提取恒星光谱的特征是亟待解决的问题。提出一种新的方法,通过构建模型捕获恒星光谱数据的特征,对SDSS-DR10海量光谱进行自动分类。径向基神经网络作为一种有效的计算模型,在数值逼近和目标分类上均有较好的表现效果,但由于目前神经网络超参数的确定大多数依赖于实验经验,很大程度上制约了算法能力的发挥。在分析白矮主序双星光谱数据的高维分布特征的基础上,提出一种基于径向基神经网络的白矮主序双星自动分类模型,并以白矮主序双星的光谱特征为导向,针对恒星光谱提出了中心准则和宽度准则以确定神经网络的超参数,大幅度提高了模型的准确度。实验对分类模型进行数值训练并使用训练的模型对SDSS-DR10光谱数据进行白矮主序双星的自动分类,共发现4 631个白矮主序双星,通过Simbad,NED和Google交叉验证后发现其中有25个是未予以收录的新候选体。实验结果验证了该模型在大规模白矮主序双星自动分类任务中的有效性,新发现的白矮主序双星也为特殊天体的进一步研究补充了有效数据。     

一种基于RBF神经网络的打印机光谱预测模型

本文提出一种基于RBF(Radial Basis Function,径向基函数)神经网络的打印机光谱预测模型,通过扩展神经网络模型输入变量的项数提高模型的预测精度,扩展项多采用通道驱动值的交叉值、平方值.实验结果表明[1cmy]项的引入能够有效提高模型的预测精度,同时提高网络的泛化能力.而引入[cm² cy² mc² my² yc² ym²]项会导致模型预测精度以及泛化能力降低.[1 cmy]、[c²m²y²]和[cm cy my]项的组合在预测精度和模型泛化能力上均是最优化的,对总样本预测的色度精度为0.475ΔE₀₀,光谱精度RMSE为0.43%.因此选择[1 cmy c²m²y² cm cy my c m y]作为输入变量的RBF神经网络训练模型是满足高精度光谱预测的最优模型.     

AERODYNAMIC OPTIMIZATION OF HIGH-SPEED TRAIN BASED ON RBF MESH DEFORMATION

基于局部型函数三维参数化方法、改进的蚁群算法和改进的克里金（Kriging）代理模型,开展了列车头型的三维气动减阻优化设计研究。为了避免复杂几何外形大变形情况下千万量级网格的重复生成,提高高速列车头型优化设计的效率,引入了缩减控制点的径向基函数网格变形技术。优化结果表明：径向基函数网格变形技术在不降低网格质量的情况下可以有效缩短网格变形的时间消耗,能够用于复杂几何外形的气动优化设计;在给定的设计空间内,控制鼻锥外形的6个关键设计参数对列车气动阻力的影响呈单调递增关系;优化后,在满足约束条件的情况下,简化外形列车的整车气动阻力减小5.41%,头尾车减阻效果明显,中间车气动阻力基本不变。     

高斯核正则化学习算法的泛化误差

对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.     

精神疾病患者经济负担分析及预测

对某精神疾病的专科医院患者数量及费用进行分析,采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测,并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集,建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用,可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据,为制定精神病患者疾病负担的相关政策提供数据支撑.     

Dynamical analysis and performance evaluation of a biped robot under multi-source random disturbances

During bipedal walking,it is critical to detect and adjust the robot postures by feedback control to maintain its normal state amidst multi-source random disturbances arising from some unavoidable uncertain factors.The radical basis function（RBF）neural network model of a five-link biped robot is established,and two certain disturbances and a randomly uncertain disturbance are then mixed with the optimal torques in the network model to study the performance of the biped robot by several evaluation indices and a specific Poincar′e map.In contrast with the simulations,the response varies as desired under optimal inputting while the output is fluctuating in the situation of disturbance driving.Simulation results from noise inputting also show that the dynamics of the robot is less sensitive to the disturbance of knee joint input of the swing leg than those of the other three joints,the response errors of the biped will be increasing with higher disturbance levels,and especially there are larger output fluctuations in the knee and hip joints of the swing leg.     

基于径向基函数的频响函数模型修正

针对使用频响函数进行有限元模型修正存在的时间成本和精度问题,结合模态参与变异系数法和模态动能法分别优化激励点和测点,使获得的模态信息更完整;然后,引入径向基函数(RBF)模型减少原有限元模型计算次数,并根据均方根误差准则对所构建代理模型的参数(spread)进行优选,提高模型预测精度;最后,选用一个36自由度的二维桁架模型进行可行性验证,对比有限元法、Kriging模型及二阶响应面模型的修正精度和迭代时间,结果表明,本文方法具有较好的优势。