最小二乘算法在神经网络函数逼近方面的研究

介绍了人工神经网络的一个重要的模型径向基函数网络,并且对径向基函数中心的选取问题进行了研究,最后给出了应用实例,结果证明,由于计算过程中应用了最小二乘算法的正交化性质,所以网络调整时对已有模式的扰动可以达到最小。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。     

基于正交最小二乘算法的小波神经网络

小波神经网络是小波函数在神经网络中的应用，本文从回归分析出发，讨论了基于离散小波变换的小波族的截断问题，然后利用正交最小二乘算法进行了小波神经元函数的选择。     

基于递归最小二乘的DS-SS系统抗窄带干扰技术

该文针对DS-SS系统的未知窄带干扰,通过分析接收信号统计特性,提出递归最小二乘(RLS)滤波的干扰抑制算法。与盲递推最小二乘算法相比,减少了约束条件,降低了复杂度,而且克服了LS滤波算法不能实时处理的弱点,可以实现快速算法。仿真结果表明,该算法抑制干扰对DS-SS系统性能改善优于自适应线性滤波算法,而且不用考虑算法的收敛性,更利于工程应用。     

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。     

一种基于拟牛顿法的递归最小二乘方法

基于拟牛顿优化方法,提出了一种稳健的自适应FIR滤波算法。新算法用最小二乘误差(LSE)代替了均方误差(MSE)作为代价函数,它具有和常规递归最小二乘(CRLS)算法相近似的追踪能力,且不存在数值计算不稳定性的问题,在收敛速度以及稳态效果方面也要优于De Campos的拟牛顿(QN)算法。通过计算机仿真比较了有关算法的性能。     

用于VBR视频通信量预测的梯度径向基函数网络模型

提出采用梯度径向基函数(GRBF,gradientradialbasisfunction)神经网络实现VBR(variablebitrate)视频通信量的预测,由于GRBF神经网络采用差分输入,能够消除由于局部平均值随时间变化而造成的不稳定性,特别适合于非平稳时间序列预测。仿真结果显示,GRBF神经网络模型的预测误差(相对均方误差)为2.9×10-3,而其它几种常见预测模型的预测误差在(1.6～8.5)×10-2之间。     

基于在线训练RBF网络的OFDM信道跟踪

提出一种结合了正则化技术及时间加权技术的递归最小二乘算法,用于径向基函数神经网络的在线训练及动态调整,从而解决OFDM系统中信道的动态跟踪问题.该算法能充分利用无线信道的时域相关性及频域相关性,仿真结果显示出了极强的鲁棒性;此外该算法具有的无记忆性,在线训练,递归更新等特点,使其可以低成本硬件实现.     

基于独立分量分析和径向基网络的人脸识别方法

人脸识别是当前人工智能和模式识别的研究热点.基于小波分解和定点独立分量分析,提出了一种新的准正面人脸径向基网络识别算法.二维的小波分解具有对表情变化不敏感的特点,可以很好地压缩和表征人脸图像的特征.定点独立分量分析是一种基于高阶统计信息提取特征的方法,克服了一般ICA收敛慢的缺点;径向基网络作为分类器具有很高的推广性能,有利于大容量样本的分类.在对人脸库ORL和YEL的识别实验中,该算法的识别率达到98%以上,与传统算法相比,识别速度和识别率都明显提高.     

基于累积量的递归最小二乘算法研究

从基于累积量的均方误差（ＣＭＳＥ）准则,本文推导了一种基于累积量的递归最小二乘（ＣＲＬＳ）算法．并从信号检验和估计的角度对三阶ＣＲＩＳ算法中出现的加权求和系数给出的一种物理解释,以说明其抗高斯噪声的机理．本文提出应根据三种不同条件下信号的最优估计来确定最佳窗口函数的原则,并进一步证明了在极大似（ＭＬ）和线性均方（ＬＭＳ）估计意义下的最佳窗口都是矩形窗而非Ｄｅｌｏｐｏｕｌｏｓ和Ｇｉａｎｎａｋｉｓ建议的Ｈａｍｍｉｎｇ窗~［３］。仿真实验证实：ＣＲＬＳ算法采用矩形窗确定比采用Ｈａｍｍｉｎｇ窗具有更上的结果偏差。     

基于径向基函数神经网络的CDMA多用户检测方法

径向基函数神经网络是一种三层前馈性神经网络,它具有较强函数逼近能力和分类能力,学习速度快等优点.本文根据径向基函数神经网络的这些优点提出了一种基于径向基函数网络的CDMA多用户检测方法(RMD).计算机模拟表明我们所提的算法具有能克服多址干扰,抑制噪声干扰和对"远-近"问题不敏感等优点,这为研究CDMA多用户检测器开辟了一条新的途径。     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。     

阵列误差影响下的RBF神经网络波达方向估计

针对阵列误差(阵元间互耦、通道失配)影响下波达方向估计问题,提出一种新型的基于径向基神经网络侦察测向系统。这种系统采用直接数据域补偿算法对输入数据进行误差补偿,从而获得正确的基函数中心。在无需对RBF神经网络测向系统作任何改进的情况下,可获得对波达方向的准确估计。为了减少输入,利用信号协方差矩阵的对称性以及对角线元素不包含信号方向信息的特点,仅考虑协方差矩阵中的上三角部分元素作为网络输入。给出了应用该方法的具体步骤。仿真实验表明,基于这种RBF网络的侦察测向系统达到了很高的精度。