分享到:

径向基函数神经网络

本文介绍了径向基函数神经  (本文共3页) 阅读全文>>

广西大学
广西大学

基于径向基函数神经网络的曲面(线)重构仿真研究

径向基函数神经网络以其简单的结构,优良的全局逼近性能而引起了人们的广泛关注。由于径向基函数神经网络的独特的拓扑结构和训练方法,使得它在函数逼近和非线性系统预测等领域得到广泛地应用。近年来国内外在径向基函数神经网络用于曲面重构方面的研究工作比较多,普遍人们常用的是使用三个独立的径向基函数网络分别得出曲面的三坐标与参数之间的关系,从而间接得到曲面三坐标之间的关系,这势必将影响到网络的训练速度和曲面重构的精度。本文研究如何用一个径向基函数先直接得到拟重构曲面的一种映射关系,这种映射关系通过网络的权值和阀值来修正,其修正方法采用梯度下降算法,通过该算法对其映射关系训练,通过训练学习,逐次逼近到所要拟重构曲面。该重构算法具有很强的鲁棒性和较高的重构精度。此外,本文还给出了径向基函数神经网络散布常数选择的一种方法,因为散布常数选得太多,易导致过拟合现象;散布常数选得太少,易导致曲面重构误差过大。最后,本文通过仿真实验研究散布常数对网络性能的...  (本文共60页) 本文目录 | 阅读全文>>

大连海事大学
大连海事大学

径向基函数神经网络及其在船舶运动控制中的应用研究

随着航运事业的发展,船舶朝着大型化、高速化、智能化方向发展,对船舶的操纵性能提出了更高的要求,因而有必要采用新的控制理论和技术,研究性能更好的船舶操纵控制策略。将神经网络技术应用于船舶运动控制成为近年来研究的一个重要方向。径向基函数(RBF)神经网络由于其结构简单、收敛速度快、无局部极小等特点使其在控制中的应用有着独特的优势。本文对RBF神经网络的学习算法进行研究并提出了两种新的学习算法,对RBF神经网络在船舶操纵运动预测控制中的应用进行了探讨。根据控制系统对于神经网络在线应用的要求,本文提出了一种新的RBF神经网络的序贯学习算法——动态正交结构适应(DOSA)算法,通过对定常系统和时变系统的辨识算例验证了其动态适应的性能和良好的鲁棒性。该算法同时具有调节参数少,各参数意义明确,参数可自适应调节以及对参数变化鲁棒性好等特点。神经网络的泛化性能是神经网络的一项重要的性能。本文对基于偏最小二乘法的RBF神经网络算法进行改进,提出利用...  (本文共119页) 本文目录 | 阅读全文>>

山东理工大学
山东理工大学

径向基函数神经网络的优化研究

随着互联网和信息化技术的不断发展,企业及其他各种组织积累了大量的数据,人们面临着从大量不同类型、不同来源的数据中获取有用知识的问题。数据挖掘技术融合了人工智能、数据库技术等多门学科,通过数据挖掘技术的应用,数据中很多潜在的有用信息能够被发现并且应用于社会生产决策之中。径向基函数神经网络是一类应用非常广泛的人工神经网络,学习速度快,能够无限地逼近任意非线性函数,但是网络结构不易确定,因此本文使用其他的智能算法并借助算法的优点改善神经网络中的缺陷,提高网络能力。本文将蚁群聚类算法和粒子群算法与径向基函数神经网络依次相结合,从神经网络结构初始化和结构优化两个方面对算法进行改进,以达到提升算法性能的目的。首先,使用蚁群聚类算法将参与网络训练的样本数据聚类,获取子集的个数和中心点,然后通过相应计算获取网络相关的参数信息,获取神经网络的初始结构。本文使用LF蚁群聚类算法,针对算法的不足对算法进行了改进,提高了聚类的运行速度和精度,使用鸢尾花...  (本文共60页) 本文目录 | 阅读全文>>

大连理工大学
大连理工大学

基于径向基函数神经网络的舵机加载控制策略

随着航空技术的不断发展,在飞机舵机测试领域用自动测试设备代替目前人工测试设备是必然趋势。电动加载系统用于在试验室条件下,模拟直升机在空中飞行时舵机输出轴所受到的负载情况,验证舵机是否达到了规定的设计指标。由于在测试过程中,舵机输出轴在主动转动的同时受到加载电机输出的力矩作用,舵机带动加载电机的输出轴一起运动,故不可避免的存在动态加载系统中所共有的多余力矩问题。多余力矩的存在会严重影响系统的加载精度和动态响应性能,因此寻找适宜的控制策略来抑制乃至消除多余力矩是电动加载系统必须解决的关键问题,而基于精确系统数学模型的传统控制策略由于其局限性往往难以达到满意的控制效果。论文采用基于径向基函数神经网络控制策略,实现舵机电动加载系统的闭环控制,达到抑制乃至消除多余力矩的目的。主要研究工作和研究成果如下:(1)建立了电动加载系统数学模型,利用传递函数分析了多余力矩存在的原因,通过仿真说明了多余力矩对系统性能的影响超过了舵机测试规范要求。(2...  (本文共80页) 本文目录 | 阅读全文>>

大连理工大学
大连理工大学

径向基函数神经网络集成算法的研究及应用

在现今的数据处理过程中由于数据类型复杂,对数据分类精度和算法稳定性的要求越来越高,单个分类器已不能满足要求,集成算法便成为研究者关注的重点。其中以决策树的集成最为普遍,由于决策树大多采用弱学习器,集成之后容易产生过学习现象,如何在保证分类精度提高的同时,改善过学习现象是要解决的主要问题之一针对常用分类方法二类标不平衡数据分类效果较差的问题,本文在随机森林决策树算法的基础上提出用受试者特征曲线下面积作为数据冗余特征去除的选择标准,采用小类样本合成重复采样技术对数据扩充之后,以过学习现象较轻的径向基函数神经网络作为随机森林中的基分类器,从而达到提升分类精度的同时改善过学习现象;与此同时,针对常用集成方法处理多类标或数据类型较复杂时所提算法普适性较差的问题,本文在反向标定合成训练样本数据的决策树算法基础上,提出对输入数据进行同分布扩充之后,用过学习情况较轻的径向基函数神经网络构造新的基分类器进行处理,提升对数据适应能力的同时增加算法精...  (本文共60页) 本文目录 | 阅读全文>>