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.     

基于RBF网络的有源噪声控制

提出一种神经自适应噪声有源控制（ANC）的方法。应用RBF（Radial Basis Function)网络对噪声进行有源控制。针对RBF的网络特点,使用递阶遗传算法确定网络参数（连接权、隐节点中心和宽度），同时解决了网络拓扑结构的优化训练。利用RBF网络的有源噪声控制系统用于三维空间传播的宽频带空调噪声的降噪获得了良好的效果。     

扰动情况下基于RBF网络的混沌系统同步

基于RBF网络,在扰动存在的情况下,对混沌系统的同步和异结构同步问题进行了研究.研究表明本方法能有效地克服干扰对同步所造成的破坏,实现良好的同步效果.最后,利用Lorenz系统进行了仿真.仿真结果证明了所给方法的有效性. 关键词： 混沌系统 同步 RBF神经网络     

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。     

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.     

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。     

APPROXIMATE IMPLICITIZATION BASED ON RBF NETWORKS AND MQ QUASI-INTERPOLATION

In this paper, we propose a new approach to solve the approximate implicitization problem based on RBF networks and MQ quasi-interpolation. This approach possesses the advantages of shape preserving, better smoothness, good approximation behavior and relatively less data etc. Several numerical examples are provided to demonstrate the effectiveness and flexibility of the proposed method.     

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。     

基于白术FTIR的径向基函数神经网络鉴别研究

为了鉴定白术及其伪品,采用径向基函数神经网络(RBF)分别测试了白术及其伪品的傅里叶变换红外光谱。采用36个样本作训练集,27个样本作检验集,用各种模式的BPF进行了监督性训练。当训练目标误差平方和定为0.01时,各类RBF对训练集中白术样本识别的正确率均为100%,但对检验集样本识别的结果各不相同,其识别的正确率与隐含层节点数S₁有关。发现当S₁较大时,识别正确率反而下降,可能此时网络的非线性程度过高,使其不适合于该类样本集的训练。线性—线性型RBF识别的结果随S₁的变化不是很大,但识别的正确率不高,基本在85%左右。非线性—线性型RBF识别的结果最佳。当S₁为3时,其识别正确率超过了97%。因此该法可用于简便、快速、准确地识别白术及其伪品。     

基于多阶导数拉曼光谱组合技术的矿物油模式分类

为了实现对法庭科学领域重质矿物油物证的快速、准确、无损的鉴定,该文基于光谱分析技术提出了一种多阶导数光谱数据组合分析的方法。收集了80种不同型号、不同厂家的重质矿物油样本,利用傅里叶变换拉曼光谱分析法采集样本的原始光谱数据和导数光谱数据,并通过结合化学计量学构建分类模型。在构建的主成分分析(PCA)结合径向基函数神经网络(RBF)分类模型中,对单独的原始光谱、一阶导数谱和二阶导数谱数据的训练集准确率分别为80.0%、86.7%和86.2%,测试集准确率分别为73.3%、80.0%和72.7%;对组合后的原始光谱+一阶导数谱、原始光谱+二阶导数谱和一阶导数谱+二阶导数谱数据的分类中,训练集准确率分别为97.0%、96.7%和100%,测试集准确率分别为85.7%、90.0%和100%。结果表明,对组合后的导数光谱与原始光谱构建分类模型,准确率更高。其中,基于一阶导数谱+二阶导数谱数据构建的PCA结合RBF分类模型的结果最为理想,准确率达100%。而K最近邻算法模型由于受到样本不均匀的影响,整体分类准确率均较低。利用组合的导数光谱与原始光谱数据构建分类模型能够实现对重质矿物油样本的快速、准确、无损鉴别,可为光谱组合技术在法庭科学及其他分析测试领域的应用提供一定的借鉴和参考。