一类随机时延网络控制系统的神经网络自适应容错控制

针对一类随机时延网络控制系统,提出一种基于RBF神经网络自适应动态补偿的容错控制策略.该方法通过在线估计时延将系统建模为随机切换系统,并在模型参考自适应方法的基础上设计RBF神经网络动态补偿容错控制器,利用Lyapunov稳定性理论给出神经网络补偿器的在线权值学习算法,以保证网络控制系统在故障情况下的跟踪性能和状态一致最终有界稳定.最后通过仿真验证了该方法的有效性.     

一类RBF模糊神经网络的逼近性研究

本文将RBF神经网络的输入、权值以及径向基函数设为折线模糊数,构造了一类折线RBF模糊神经网络.以三角模糊数为例,讨论了折线RBF模糊神经网络的参数训练方法,通过实例验证了该网络对模糊值函数的逼近性能.     

择优RBF神经网络下切削率的优化

本文通过择优RBF(径向基函数,Radial Basis Function)神经网络对影响切削加工过程的切削参数进行建模,对切除率进行拟合预测;提出松弛误差作为衡量网络精度的指标,使RBF选择最优的分布密度,从而有效提高RBF神经网络的拟合预测能力;并将择优RBF的拟合和预测结果与BP的相应结果进行了比较,结果显示择优RBF神经网络的拟合和预测精度大大优于BP神经网络.     

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.     

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.     

模糊RBF神经网络在音频零水印中的应用

针对当前零水印不能"嵌入"有意义水印的不足,构建了在小波域中基于神经网络的零水印系统,提出了一种基于模糊RBF神经网络的音频零水印方案,有效解决了音频水印的鲁棒性与透明性之间的矛盾.模糊神经网络模糊系统的隶属度函数和推理规则决定RBF神经网络的结构和学习算法.因为水印方案不改变原始音频数据,所以具有良好的透明性,实验结果表明,方案具有很强的鲁棒性.     

基于LASSO的神经网络权值阈值优化方法

本文在LASSO方法和神经网络误差回传思想的基础上,建立LASSO-BP算法.与BP神经网络算法和RBF径向基网络算法比较,该算法具有耗时短,抗干扰能力强的优点以及更好的分类效果.最终我们通过数值实验对该算法进行了验证.     

基于模糊与神经网络技术的复杂非线性跟踪控制

针对一类具有不确定性、多重时延和状态未知的复杂非线性系统,把模糊T-S模型和RBF神经网络结合起来,提出了一种基于观测器的跟踪控制方案.首先,应用模糊T-S模型对非线性系统建模,设计观测器用来观测系统状态,并由线性矩阵不等式得到模糊模型的控制律;其次,构建了自适应RBF神经网络,应用自适应RBF神经网络作为补偿器来补偿建模误差和不确定非线性部分.证明了闭环系统满足期望的跟踪性能.示例仿真结果表明了该方案的有效性.     

基于GAAA-RBF神经网络的工程估价方法

利用遗传-蚁群混合算法(GAAA),对RBF神经网络的主要结构参数中心矢量、基宽向量和网络权重进行组合优化,建立了GAAA-RBF神经网络组合算法的工程估价模型.将55个工程造价案例,随机抽取10个作为预测样本,剩下的45个作为训练样本.通过与相同结构的RBF神经网络相比较,结果表明算法克服了RBF神经网络易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了工程造价的预测精度.     

BP网络和RBF网络在期货预测中的比较研究

通过仿真实例,对BP网络和RBF网络在期货预测应用上的表现性能进行了比较研究,仿真结果表明,BP网络更适合于期货市场价格预测.实际的期货预测应用中,此结论可指导神经网络模型的选择.     

基于神经网络-混合进化算法的桥式起重机的防摇摆控制

使用径向基函数(Radial Basis Function,RBF)神经网络为桥式起重机设计一种防摇摆控制器,并采用遗传算法(Genetic Algorithm,GA)与粒子群优化算法(Particle Swarm Optimization,PSO)相结合的混合进化算法(Hybrid Evolutionary Algorithm,HEA)作为神经网络的学习算法.RBF神经网络用于生成台车运动的光滑轨迹,而混合进化算法以台车遵循所生成轨迹到达目标位置时起重机系统的机械能为优化目标,对神经网络的参数进行优化调整,从而达到抑制负载残余摆动的目的.最后通过仿真验证了所提出的混合进化算法相对于遗传算法和粒子群优化算法的优越性以及所设计的防摇摆控制器的正确性和有效性.     

基于组合神经网络的时间分数阶扩散方程计算方法

该文首次采用一种组合神经网络的方法，求解了一维时间分数阶扩散方程.组合神经网络是由径向基函数（RBF）神经网络与幂激励前向神经网络相结合所构造出的一种新型网络结构.首先，利用该网络结构构造出符合时间分数阶扩散方程条件的数值求解格式，同时设置误差函数，使原问题转化为求解误差函数极小值问题；然后，结合神经网络模型中的梯度下降学习算法进行循环迭代，从而获得神经网络的最优权值以及各项最优参数，最终得到问题的数值解.数值算例验证了该方法的可行性、有效性和数值精度.该文工作为时间分数阶扩散方程的求解开辟了一条新的途径.     

RBF神经网络电流保护

传统继电器电流保护方案在实施的时候,受到的影响要素主要是来源于电力系统采用何种方式运行,以及各种常见的故障类型,而自适应电流保护解决方案可以很好的避免传统保护出现的弊端和缺陷.在此基础之上构建出一种基于RBF神经网络电流保护解决方案,这种系统主要运用的网络包含了3层RBF神经网络模型,主要的部分构成拥有三种不同的类型:故障方向判别、故障类型与相别判断.为了能够确保该系统能够可靠的实现保护,对其进行了深度的测试和各类型的仿真实验,通过最终获取的实验数据,分析之后得到RBF网络训练效率高效同时证明该电流保护方案在实践当中具备可行性.     

一种简单神经Mealy机的构造

构造一种新型神经Mealy机,神经Mealy机具有一定的学习能力,它主要通过学习来获得(von Newman)计算机结构,可以较好地避免普通计算机那样损毁一条电路就带来灾难性后果的情况.其本质是将递归神经网络通过BP优化算法,对Mealy机进行模拟得到,并通过实验对该网络的学习性能进行研究分析.基于形式文法和自动机的等价性,用神经网络来实现文法推导.先采用神经网络对样本集进行学习,这些样本可由一个经典Mealy机生成,然后从训练完的神经网络提取出自动机.     

模糊概率神经网络水质评价模型及其应用

鉴于水质类型和分级标准存在模糊性,将模糊数学中的相对隶属度理论和概率神经网络和相结合,构建了模糊概率神经网络水质评价模型(FPNN).阐明了该模型的构建方法,提出了基于指标相对隶属度矩阵插值构建学习样本的方法,并将该模型应用于实际水质评价.通过与综合评判法、属性识别法和BP网络法的比较,验证了该模型操作简便,评价结果客观可靠.     

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.     

基于径向基神经网络的盐水中CO_2溶解度模型

确定盐水中CO_2的溶解量对CO_2地质封存潜力和外溢风险评估至关重要,经典溶解度模型建立在热力学平衡定律上,具有一定的限制性,而RBF径向基人工神经网络具有很强的泛化能力,能够关联复杂变量之间的映射关系.利用收集到的实验数据建立了RBF神经网络用于预测盐水中CO_2的溶解度,和之前已经建立的BP神经网络模型对比,将实验数据、RBF神经网络模型、BP神经网络预测结果、PR-DUAN模型以及亨利定律计算值做了对比,为确定盐水中CO_2的溶解度提供了一种新的RBF神经网络预测模型.     

混合优化RBF-BP网络的板形缺陷识别

针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。     

基于ANP-RBF神经网络的化工行业绿色供应商选择

基于绿色供应链理念,提出了化工行业绿色供应商选择的特色指标,构建了化工行业绿色供应商选择的ANP-RBF神经网络模型。通过ANP确定各指标权重,再结合RBF神经网络,从训练数据中提取隐含的知识和规律,能够方便地用于新供应商的选择。该模型求解算法为增量算法,具有很好的可扩展性,从而增加了评价的动态性。算例验证结果表明,将ANP-RBF神经网络模型用于化工行业绿色供应商的选择具有较强的实用性。     

基于DEA和神经网络集成模型的我国基础设施投资有效性预测研究

建立了DEA和神经网络集成的基础设施投资有效性预测模型。该模型首先应用DEA方法,对我国1993-2007年逐期的基础设施投资效率进行评价,得到了用于基础设施投资有效性预测的基本数据。根据对评价结果的投资有效和无效划分建立预测样本,选择多层感知器神经网络,分别对基础设施的规模有效性和技术有效性进行了预测。结果表明基础设施的投资有效性预测具有可行性,而且通过与RBF神经网络、logistic回归和C-支持向量分类机等方法对比,MLP-NN方法的回应率和反查都具有优势,表明应用DEA-MLP-NN进行有效性预测更为有效。