在分析常用的红外气体浓度定量分析数学模型朗伯-比尔定律之不足的基础上,利用RBF神经网络良好的学习能力、泛化能力和非线性映射能力,以RBF网络为核心,通过训练RBF网络得到红外探测器输出信号、温度与甲烷浓度的关系,从而提出了一种新型的红外甲烷浓度测量定量分析模型.分析与实验表明,该模型在甲烷检测中具有较高的精度.

基于RBF改进-实验报告.zip

matlab运用RBF神经网路实现模式分类

BP神经网络 预测算法 测试 数据 RBF 神经网络算法

运用Inverse distance-weighted interpolation method(IDW)和Radial basis function interpolation method(RBF)实现ImageWarp.

Matlab关于人工神经网络在预测中的应用的论文二-基于RBF人工神经网络模型预测棉花耗水量.pdf 四、灰色人工神经网络人口总量预测模型及应用 摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990 年至2004 年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。对2005 年至2007 年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。 关键词：人口总量；灰色系统；BP 人工神经网络；灰色人工神经网络模型 引言： 本文从影响人口增长的诸多因素中筛选出6 个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（Grey Artificial Neural Network，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6 个指标进行非线性组合得到人口总量的预测结果。该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。 中间内容省略~ 结语： 由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；同时，通过实验证明该方法不但比传统的FCM 算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR 图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。 灰色人工神经网络人口总量预测模型及应用.pdf 五、人工神经网络模型在研究生招生数量预测中的应用 摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。 关键词:黑龙江省;研究生招生;预测;人工神经网络模型 引言： 关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。 本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。 中间内容省略~ 结语： 采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。 人工神经网络模型在研究生招生数量预测中的应用.pdf 六、基于RBF人工神经网络模型预测棉花耗水量 摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。 关键词：预测；人工神经网络；径向基函数；棉花耗水量 引言： 计算机人工神经网络是20世纪80年

基于RBF网络的养老保险精算相关参数预测研究，朱杰，，本文利用RBF神经网络模型，对养老保险精算中的相关参数进行预测研究。在1990～2004年我国基本养老保险相关数据的基础上进行了短期及�

基于互信息和自组织RBF神经网络的出水BOD软测量方法.pdf

电液伺服系统RBF神经网络滑模控制.pdf

针对不确定时延影响无线网络控制系统的控制性能、常规PID控制策略无法满足网络控制要求的问题,提出了一种基于RBF神经网络PID控制的无线网络时延控制方案。采用Matlab/Simulink的TrueTime工具箱建立了无线网络时延控制系统仿真模型,介绍了模型中网络模块、执行器模块、控制器模块的设计及RBF神经网络整定PID控制器参数的实现原理。仿真结果表明,与常规PID控制策略相比,RBF神经网络PID控制策略能够在一定程度上降低不确定时延对无线网络控制系统的影响,从而提高无线网络控制系统的稳定性。