径向基函数神经网络芯片ZISC78及其应用

ZISC78是IBM公司和Sillicon公司联合生产的一种具有自学习功能的径向基函数神经网络芯片，文中主要介绍了ZICS78芯片的功能、原理，给出了ZISC78神经网络芯片在舰载武器系统中进行船舶运动实时预报的应用方法。     

径向基函数神经网络的软竞争学习算法

本文构造了径向基函数(RBF)神经网络的一类软竞争学习算法(SCLA).该算法的主要思想是首先在高斯基函数中心向量的训练过程中引入了隶属度函数,对每个输入样本,所有中心向量根据该样本属于其代表的类的隶属度值的大小进行自适应地调整;第二,把隶属度函数的模糊因子的倒数与模拟退火算法中的温度等同起来,在迭代过程中采用递增的方式来调整它.SCLA是RBF网络基于k-均值方法训练中心向量的学习算法的软竞争格式,它可以克服后者对初始值敏感和死节点的问题.仿真实验论证了SCLA是有效的.     

基于径向基函数神经网络的内模控制

文章用径向基神经网络设计内模控制系统,径向基神经网络是通过调整隐层与输出层间的连接权系数来逼近函数,如果隐层神经元数目过少,难免会出现收敛时间长,控制质量差,甚至发散的现象。为此,本文提出了增加调整基函数形状参数和中心向量的方法予以避免,并证明了网络不同调整参量收敛于目标函数极小点的性质。     

径向基函数神经网络的一种有效的在线学习方法

本文提出了一种径向基函数神经网络的有效在线学习方法。该学习方法不仅能根据输入信息的增加而动态地分配网络资源,而且能有效回收网络的冗余资源。在学习过程中网络的参数可以自适应地序贯进行调整。文中详细论述了这种神经网络的学习准则、动态增减隐节点算法和参数调整算法。同时通过分析和实验说明网络具有较强的映射能力和预测性能。     

基于径向基函数神经网络的铁路路径规划

通过合理路径规划实现高速铁路能量效率的优化是铁路运行中的重要研究内容。本文引入资格迹(eligibility trace)改进径向基函数(RBF)神经网络。在此基础上,使用改良的径向基函数(RBF)神经网络实现列车在复杂情况下的路径规划。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数（ＲＢＦ）神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Ｍａｃｋｅｙ－Ｇｌａｓｓ造血模型方程的数值解数据,对此广义模型与现有的ＲＢＦ模型和梯度径向基函数（ＧＲＢＦ）模型对一笥时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

径向基函数神经网络的分类机理

本文研究了径向基函数网络（ＲＢＦＮ）的分类机理问题。在Ｒｕｃｋ工作的基础上，通过与传统的基于Ｐａｒｚｅｎ窗估计核分类器做类比，本文从模式分类机理入手，分析了ＲＢＦＮ使用正、负两类训练样本来估计判别函数的特点，指出它优于核分类器，并讨论了相应情况下ＲＢＦＮ输出层连接权、模式分类判决域的特点。最后用多类模式分类的结果对上述理论进行了验证。     

径向基函数网络在陕西省人口预测中的应用

人口预测是根据过去人口数据总结人口变化规律,并利用这个规律对未来人口进行预测.神经网络对复杂非线性系统具有曲线拟合能力,能够较好地完成这种预测任务.采用Matlab的神经网络工具箱函数建立神经网络预测模型,编程简单;还能克服常规语言建立预测模型存在的模型结构复杂、训练时间长等缺点.本文通过编程实现了RBF（Radial BasisFunction）神经网络的建立、学习和训练.然后,利用RBF神经网络预测模型对陕西省1970～2004年人口实际数据进行非线性曲线拟合分析和进一步预测,预测最大误差为0.025 5%,算例证明了该方法的实用性和有效性.     

一种新型径向基函数神经网络的非线性系统逼近

讨论了一种新的、正弦型径向基函数(SRBF)神经网络，并用来逼近n堆连续函数。该SRBF所采用的n堆正弦型的基函数是光滑的,并且是致密的。该SRBF网络的权因子是输入的低阶多项式函数。本文给出的一种简单计算程序，显著地降低了网络训练和计算时间。并且由于SRBF的基函数可以非均匀的量化格点为中心。因而降低了网络所需存储的样本数，网络的输出及其一阶导数都是连续的。对于非线性系统。该SRBF网络在系统定义城内的逼近是精确的。并且在存储参数的个数上是最优的。通过实例仿真，证明该方法步骤简单,训练速度快，精度也很理想。     

改进的径向基函数神经网络及其应用

本文基于不同扩展中心的径向基函数神经网络（RBF）,提出了一个性能函数用于表示每个输入神经元对于网络输出精度影响的重要性,并据此对输入神经元进行自适应删减,将此方法应用于时间序列预测中,可自适应地选取最佳嵌入维数和时间延迟。对于股指预测的实验表明改进的RBF神经网络比未改进的RBF神经网络有更高的预测精度。     

基于径向基神经网络的波束优化方法

针对不规则结构阵列的波束图容易出现旁瓣升高的问题,该文提出了一种基于径向基神经网络(RBFNN)的波束设计方法。该方法根据Olen波束形成中阵元位置和阵列加权向量之间的非线性关系,利用径向基神经网络输入和输出之间的非线性映射特性,以任意结构阵列的实际阵元位置为基准,构造带有误差的阵元位置样本集。之后利用Olen法计算阵列加权向量并进行波束形成,当波束图满足设计要求时,记录对应的位置和阵列加权向量作为径向基神经网络训练数据的输入样本和输出样本,并使用训练后的网络得到实际阵列的加权向量。最后,对直线阵、弧形阵、随机环形阵进行了波束优化设计,结果这几种阵形的波束都可以满足设计要求,证明了所提方法的有效性。     

最小二乘算法在RBF神经网络中的应用

RBF神经网络构造的关键问题是网络中心的选取，最小二乘算法采用正交化方法，独立计算回归算子对输出的贡献，可以使中心的选择步骤简单有效。文章给出了最小二乘算法及其应用函数逼近的实例，结果证明，由于计算过程中应用了这一算法的正交化性质，所以网络调整时对已有模式的扰动达到最小。这说明最小二乘算法不仅简单有效，而且性能优越，并有较强的实用性，在许多领域有广泛应用。     

基于模拟退火遗传算法的RBF网络的优化

提出了引入模拟退火的遗传算法对径向基函数(RBF)网络中心参数进行优化的算法,算法中选择实数编码,采用引入模拟退火过程的多点交叉和区域内随机波动的变异方法.用此算法作了两个仿真实验:一是对典型的混沌时间序列的预测,二是对被干扰了的图象进行去干扰.结果表明:这种基于模拟退火遗传算法对RBF网络参数的优化是行之有效的.     

一个新的二进前向多层网学习算法及布尔函数优化实现

本文首先给出二进前向多层网几何学习算法的一个改进策略,提高了原算法的学习效率,然后同个新的神经网络启发式遗传几何学习算法。ＨＧＧＬ算法采用面向知识的交叉算子和变异算子对几何超平面进行优化的划分,同时确定隐层神经元的个数及连接权系数和阈值,对任意布尔函数,ＨＧＧＬ算法可获得迄今为止隐节点数量少的神经网络结构。     

布尔神经网络的一种高效率学习算法

把二进神经网络学习算法推广至一般情形,利用汉明球及立方体的空间覆盖生成隐层神经元并对空间集合的相交、汉明球与低维空间的笛卡尔积在神经网络中的表现形式进行了深入探讨,得出几个旨在提高学习效率和减少布尔函数实现复杂性的有用结论,并融合形成完整的学习算法。     

三角基函数神经网络算法在数值积分中的应用研究

该文提出了一种基于三角基函数神经网络算法求解数值积分的新方法,提出并证明了神经网络算法的收敛定理和数值积分的求解定理及推论。最后给出了数值积分算例,并与传统计算方法作了比较分析.分析结果表明,该文提出的数值积分方法计算精度高,适应性强,而且不需要知道被积函数,因此该数值积分算法在电子学等工程实际中有较大的应用价值。     

基于径向基函数神经网络的脉冲激光薄板焊接变形预测

以轿车用低碳钢薄板为实验样品,分析了脉冲激光焊接产生的主要变形方式。利用径向基函数神经网络对薄板焊接产生的横向收缩变形和横向弯曲变形进行预测。采用响应面法对实验参数进行优化设计。将脉冲频率、脉宽、聚焦镜焦距、离焦量、工件移动速度、保护气体种类、工件温度波动和光功率波动作为神经网络输入,提高了焊接变形预测的准确度。通过对比6种神经网络对薄板焊接变形预测的结果得出了最佳的网络结构。实验证明该神经网络对薄板焊接产生的变形有较高的预测准确度。     

基于改进型T-S模糊RBF神经网络的红外火焰探测器识别算法

针对三波段红外火焰探测器中可能出现的单一非火焰波段通道的数据丢失、失真、饱和3种对火焰特征数据的强干扰情况,本文提出了一种改进型T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络的火焰识别的鲁棒性融合算法.该算法通过聚类算法确定模型需要的模糊规则...