一、径向基函数神经网络的全监督算法（论文文献综述）
田彤[1]（2021）在《基于RBF神经网络的热轧钢铁力学性能预测》文中提出
牛金玲[2]（2020）在《回转窑温度软测量预测模型的研究与应用》文中提出在链篦机回转窑球团焙烧过程中,对回转窑窑中温度进行实时在线监测进而精确控制,可以提高球团矿的产品质量并且进一步保证生产安全。但是在实际的生产过程中,链篦机回转窑球团矿生产过程十分复杂,由于当前现有的测量技术具有一定的局限性,用于测量的仪器价格昂贵以及测量过程中的非线性和时间延迟等原因,难以对窑内温度实时在线检测和控制。针对链箅机回转窑窑中温度实时在线预测难的问题,本文以实际链箅机回转窑球团矿生产过程为研究对象,在充分研究球团矿焙烧反应过程的基础上,提出一种基于动态双种群联合搜索机制的量子粒子群算法（DJQPSO）用于优化改进RBF神经网络（SCRBF）的软测量模型。首先,选取与回转窑窑中温度密切相关的8个辅助变量用于软测量模型输入变量,针对辅助变量样本数据高维度和信息冗余等问题,采用一种基于核主元分析算法（KPCA）与核局部保持映射算法（KLPP）相结合的数据降维方法（KPCA-KLPP）,该方法将局部结构保持目标函数和全局结构保持目标函数相结合,同时应用于高维空间特征分量提取过程,使得映射后的低维特征空间既能够保留样本数据整体方差最大化,又可以保持数据集的局部近邻结构,在降低原始样本数据维度和去除冗余信息的同时,最大程度地保持了数据集全部特征信息。改进降维算法的测试结果显示,所采用改进数据预处理算法能够达到理想的降维与去冗余效果。之后,采用一种基于系统聚类法的RBF神经网络（SCRBF）软测量模型,根据输入数据的不同特性将其分成不同的类别,每个类别选取一个基函数,这种方法可以有效的简化网络结构,增强网络的泛化能力。接着,利用动态双种群联合搜索机制的量子粒子群优化算法（DJQPSO）对带有信息反馈机制的SCRBF神经网络软测量模型网络的隐含层与输出层之间的权值、基函数中心和宽度等参数进行优化训练,对训练后的神经网络结构参数所建立的链箅机回转窑窑中温度软测量预测模型进行内部评估,所采用的方法为十折交叉验证法,评估的结果能够确定预测模型最优的结构参数组合。最后,采用评价指标预测误差指数、精度指标、训练集拟合度和预测均方误差值,进行外部独立样本测试集检验,证明回转窑窑中温度软测量预测模型具有良好的稳健性和准确的预测能力。对本文提出方法综合测试结果表明,链箅机回转窑窑中温度软测量预测模型具有良好的预测能力和可靠性。
高朋[3]（2018）在《改进型神经网络算法在非线性系统辨识中的研究》文中研究表明近年来,随着控制对象的日益复杂化、非线性化,对非线系统的辨识方法也提出了新的要求。人工神经网络做为一门新兴学科,以其自身的特征在不同领域都得到了广泛的应用,也为非线性系统的辨识提供了新的途径。本文从非线性定常系统及非线性时变系统两个方面,将人工神经网络应用于非线性系统辨识中。BP神经网络作为人工神经网络中应用最为广泛的模型,本文将其应用于非线性定常系统的辨识问题中。针对标准BP神经网络中存在的收敛速度慢、容易陷入局部最小的缺点,本文提出了改进激励函数和搜索动态学习率两种改进算法;并以非线性定常模型为例,在不同输入的情况下,对两种改进方法进行了数值仿真。通过对输出曲线与误差累计曲线两个方面仿真结果的分析得出,改进算法提高了BP神经网络的收敛速度、降低了运算时间,对非线性定常系统有良好的辨识效果。对有限时间区间内可重复变化的非线性时变系统,本文以迭代学习算法为基础建立了时变径向基神经网络模型,同时将动态遗忘因子最小二乘算法应用在隐含层与输出层权值修正过程中,实现对非线性时变系统的辨识;并以一个非线性时变系统为例,在不同输入的情况下,进行了数值仿真。通过对仿真结果的分析得出,时变径向基神经网络能够较为精确地完成对非线性时变系统的辨识,辨识精度高于定常径向基神经网络模型。
张秀玲,付栋,李海滨,来永进,王振臣[4]（2015）在《基于RBF神经网络结构混合优化的数字识别》文中指出以数字识别为应用背景构建RBF神经网络结构,首先把最近邻聚类算法与k-均值聚类算法应用于RBF神经网络隐层中心个数及中心值的确定中,实现了隐层中心个数与中心值的自适应获取;然后将遗传算法与伪逆法相结合来确定隐层中心宽度及输出权值;最后对混合优化的神经网络与传统的基于中心自组织学习算法优化的网络进行仿真实验.实验中使用未加噪声和添加噪声的数字样本对网络进行测试,与传统优化方法对比结果表明,应用该混合学习算法构建的神经网络具有识别能力强、计算量小的优点.
王禹桥[5]（2012）在《地铁杂散电流分布规律及腐蚀智能监测方法研究》文中认为我国的城市轨道交通目前正处于大规模建设的高峰时期，研究地铁杂散电流分布规律并实现地铁杂散电流腐蚀监测是城市轨道交通建设和运营中的关键课题，对城市轨道交通健康发展具有重要的理论意义和实际应用价值。论文研究的主要内容包括：单机车不同运行工况和多机车同时运行两种复杂工况下杂散电流分布建模，回流系统参数对杂散电流分布的耦合约束界定；研究杂散电流的腐蚀机制及检测方法，采用时频联合分析算法实现腐蚀信号的特征提取及处理；基于径向基函数神经网络的杂散电流腐蚀状态预测；基于WEB的杂散电流腐蚀智能监测系统的工程实践。在传统地铁单机车杂散电流分布静态模型的基础上，建立单机车不同运行工况的杂散电流动态解析模型。在完备的边界条件下，以机车运行位置为分界点，将两牵引变电所组成的供电区间在分界点上分成互连的不同分析域；确定机车取流值与不同变电所回流值之间的映射机制，进行地铁机车牵引计算；模拟单机车运行的不同工况，并基于解析模型进行杂散电流分布规律仿真研究。结果表明动态解析模型能够有效反应地铁现场实测结果。建立多机车同时运行的杂散电流分布有限单元模型。基于分布模型中导纳矩阵的对称性和正定性，提出采用不完全乔列斯共轭梯度算法进行解算，改善了导纳矩阵求解的收敛速度；对地铁机车等效电导进行恒功率迭代，在满足机车运行功率与牵引变电所输出功率匹配下，研究双机车同时处于牵引状态及同时处于制动状态、单机车处于牵引状态及单机车处于制动状态、牵引变电所外存在机车取流等不同工况下的杂散电流分布。研究地铁杂散电流腐蚀机制及检测方法，并对杂散电流腐蚀信号进行平稳性检验；基于短时傅立叶变换、连续小波变换及S变换，提取不含噪声的杂散电流腐蚀信号的时间及频率成分，对非平稳性杂散电流腐蚀信号进行时频联合分析。结果表明，S变换的时间分辨率及频率分辨率优于其他两种方法；将S变换用于含噪声的杂散电流腐蚀信号分析，同样能够在噪声中准确的分辨出异常信号的时间及频率成分。以埋地金属结构的极化电位偏移值作为杂散电流腐蚀表征参数，实验研究埋地金属结构与钢轨之间的水平净距、深度、周围土壤电阻率、电源正负极间距及电源电压和极化电位偏移值的关系，提出基于径向基函数神经网络的杂散电流腐蚀预测模型。采用杂散电流腐蚀模拟实验数据作为预测模型的输入输出样本集，基于次胜者受罚的竞争学习算法对输入输出样本集聚类，聚类数目作为预测模型隐层节点的数目，针对传统径向基函数神经网络结构参数学习训练存在的不足，利用改进粒子群算法和自适应遗传算法实现预测网络结构参数的优化，建立腐蚀预测模型性能评价体系。预测结果表明，与自适应遗传算法优化过的径向基函数神经网络和传统径向基函数神经网络相比较，经改进粒子群算法优化过的径向基函数神经网络在收敛精度和预测性能上更优，能够有效的实现杂散电流腐蚀状态的预测。论文构建基于WEB的杂散电流腐蚀智能监测系统，介绍了该系统在地铁现场的应用实践。本论文有图74幅，表28个，参考文献201篇。
魏秀[6]（2011）在《文化算法优化RBF神经网络及应用研究》文中进行了进一步梳理随着生活节奏的日益加快,人们更加迫切希望可以方便、快速的与计算机直接地进行交流。语音作为一种最理想的人机交互方式,使之成为该领域的研究重点。语音识别技术承载着这一使命应运而生。现阶段,语音识别技术还主要是基于线性系统的研究,从而羁绊着该技术的进一步深入发展,研究人员意识到要想取得实质性进展,非线性方法的引进刻不容缓。20世纪80年代以来,人工神经网络等非线性理论用于解决非线性问题成为研究热点。RBF作为一种新兴有效的前馈式神经网络,以其结构简单、训练速度快、分类性能好、泛化能力强等优点,在语音识别领域得到越来越广泛的关注和应用。RBF拓扑结构中的各参数是在训练过程中动态确定的,使网络具有更好的适应性。但是网络的性能对隐节点基函数的中心的选取非常敏感。文化算法作为一种新近的优化算法,具有良好的全局搜索性能。本文的研究内容为用文化算法优化RBF神经网络隐结点基函数的中心来提高网络的性能,并将其应用的语音识别系统中。研究工作主要包括以下几点：1、引进一种新兴的具有全局搜索性能的文化算法框架模型。由于该算法的研究还处于起步阶段,还未形成固有模式,模型的建立依赖于具体问题的设定,所以笔者针对本文研究的需要,对解决非线性无约束优化问题,设计文化算法框架的各组成部分。其中种群空间采用遗传算法,并通过仿真实验对文化算法与单独使用遗传算法时,算法的性能进行比较。2、设计小生境动态接收函数。文化算法的接受函数是影响文化算法性能的关键所在,直接影响算法的收敛性及执行效率。所以本文引入小生境算法中动态选择各小生境规模的机制,根据每次迭代后群体中个体实际情况自适应地调整接受优秀个体的数目,提出小生境动态接受函数。并通过仿真实验和使用已有的几种接受函数的文化算法的性能进行比较。3、用文化算法训练RBF神经网络来确定其基函数的中心来优化的RBF网络,并应用到语音识别系统中。
仓振杰,姜萍萍,颜国正[7]（2011）在《基于改进RBF网络的传感器非线性误差补偿》文中进行了进一步梳理为推动胃肠道动力功能障碍型疾病临床诊查技术的发展,研制了胃肠道多元生理参数无创检测系统,针对该系统中压力传感器的非线性误差补偿问题进行研究。介绍了系统所采用的扩散硅压阻式绝对压力传感器的原理,分析了这类传感器的非线性误差产生原因。在传统的减法聚类算法的基础上,提出基于改进的减法—密度聚类算法的RBF网络的传感器非线性误差补偿方法,对样本数据进行聚类操作,用来确定RBF神经网络的初始聚类中心,并结合梯度下降法对网络参数和权值进行训练。结合实际系统的实验数据进行了方法验证和效果分析。实验结果表明:方法在系统误差纠正方面比传统方法提高至-1～4 kPa,使得测量结果准确性得以较大的提高,满足了系统的应用需求。
侯雪梅[8]（2011）在《基于全监督算法RBF神经网络的语音识别》文中研究表明利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。
王天娥[9]（2009）在《基于粗糙集和RBF网络的股票时间序列分析研究》文中指出用传统的时间序列分析方法处理简单线性问题取得了较好的效果,但对股票这样的复杂非线性系统就显得力不从心。人工神经网络的出现给非线性时间序列分析提供了新的有效途径,但仍存在一些缺陷。针对神经网络在股票预测中遇到的问题,本课题将粗糙集理论引入预测模型并展开深入研究。（1）利用粗糙集理论对股票数据进行预处理,从大量原始数据中提取出核心知识,提高分析效率。条件信息熵离散化方法的计算复杂度很高,本课题对原算法离散点的选择和计算过程进行改进,得到一种启发示信息熵离散化方法,并利用该方法对股票数据进行离散化处理。（2）将遗传算法应用于最小约简的寻找,针对基本遗传算法存在的弱点,对其各遗传因子进行改进。采用基于改进遗传算法的属性约简方法对股票数据进行约简,从而得到更优的约简结果。（3）径向基函数（RBF）神经网络的学习算法各有优缺点,在实际应用中,很难直接确定哪种算法更为理想。本课题通过实验,对RBF网络三种常用算法的性能进行分析比较,来确定适合股票预测的神经网络模型。（4）提出股票拐点定义及分类（三类拐点）,设定拐点参数,建立相应决策支持模型,选取适当级别的股票数据,对股票走势拐点进行预测,为中小投资者进行实际操作提供决策支持。最后,通过大量实验来证明基于粗糙集和RBF网络集成的股票时间序列分析方法的准确性,以及在解决网络结构复杂、学习速度缓慢等问题中的有效性。
郑明文[10]（2009）在《径向基神经网络训练算法及其性能研究》文中提出在众多的神经网络模型中,径向基函数神经网络（RBF神经网络）以其网络设计采用原理化方法,结构简单并且具有坚实的数学基础等多种优点而广泛应用于模式识别、函数逼近、非线性系统建模、时序分析等领域。本文详细论述了RBF神经网络的结构和原理,并且对RBF神经网络的多种学习算法进行了深入的研究,主要工作如下:（1）对RBF神经网络现有的算法进行了分类与分析,对其中的某些算法设计了仿真实验,理解了各类学习算法的工作原理以及它们各自的优缺点,为下一步的工作奠定基础。（2）从非线性回归的角度深入分析研究了RBF神经网络的泛化理论,对径向基神经网络的逼近误差和泛化误差进行了理论推导并且得到了一些有用的结论,在某些情况下可以用来指导径向基神经网络结构的确定。（3）我们知道,对RBF神经网络的训练过程实际上就是确定隐层结构和连接权值的过程。本文通过对已有算法和理论的深入研究与分析,提出了三种改进的RBF神经网络训练算法,分别是:①基于Kohonen网络与OLS算法的数据中心选择算法。本算法利用Kohonen竞争网络对训练样本集进行了筛选,解决了传统的OLS算法将整个训练样本集作为候选子集而导致的正交化过程计算量惊人,算法效率非常低的缺点。②基于密度法的数据中心选择算法。本算法利用统计学中的密度法对训练样本集进行分类,避免了人为的指定类别数而导致的分类结果盲目性太大的缺陷。③基于改进的APC-III算法的数据中心选择算法。本算法根据样本的分布情况采用动态的数据中心,而原始的APC-III算法则采用统一的数据中心,这在数据分布不均匀时并不合适。对上面三种改进的算法分别设计了仿真实验,验证了三种算法的有效性。
二、径向基函数神经网络的全监督算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、径向基函数神经网络的全监督算法（论文提纲范文）
（2）回转窑温度软测量预测模型的研究与应用（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.2 链箅机回转窑球团烧结工艺过程介绍 |
| 1.3 软测量技术概述 |
| 1.3.1 软测量建模基本步骤 |
| 1.3.2 软测量技术的研究与应用 |
| 1.4 本文的研究内容及章节安排 |
| 2.基于KPCA与 KLPP相融合的数据降维模型 |
| 2.1 引言 |
| 2.2 核主元分析算法 |
| 2.2.1 核主元分析算法原理 |
| 2.2.2 核主元分析算法基本步骤 |
| 2.3 核局部保持映射法 |
| 2.3.1 核局部保持映射法原理 |
| 2.3.2 核局部保持映射法基本步骤 |
| 2.4 基于KPCA与 KLPP相融合的数据降维模型 |
| 2.5 仿真实验与结果分析 |
| 2.6 本章小结 |
| 3.改进RBF神经网络软测量模型 |
| 3.1 引言 |
| 3.2 RBF神经网络基本原理 |
| 3.3 改进的RBF神经网络软测量模型 |
| 3.3.1 系统聚类法RBF神经网络 |
| 3.3.2 信息反馈RBF神经网络 |
| 3.4 SCRBF神经网络在线校正 |
| 3.5 SCRBF神经网络仿真测试 |
| 3.6 本章小结 |
| 4.基于动态双种群联合搜索机制的量子粒子群优化算法 |
| 4.1 引言 |
| 4.2 量子行为粒子群优化算法 |
| 4.3 改进的量子行为粒子群优化算法 |
| 4.3.1 开发子群和探测子群 |
| 4.3.2 周期式信息共享策略 |
| 4.3.3 高斯混沌突变因子 |
| 4.3.4 全局收敛公式 |
| 4.3.5 算法步骤 |
| 4.4 实验仿真与结果分析 |
| 4.4.1 算法多样性分析 |
| 4.4.2 DJQPSO对基准测试函数优化仿真及结果分析 |
| 4.4.3 DJQPSO算法训练SCRBF仿真测试 |
| 4.5 本章小结 |
| 5.链箅机回转窑窑中温度预测软测量模型 |
| 5.1 引言 |
| 5.2 链箅机回转窑窑中温度软测量预测模型 |
| 5.2.1 回转窑窑中温度软测量模型辅助变量 |
| 5.2.2 回转窑窑中温度软测量模型数据预处理 |
| 5.2.3 回转窑窑中温度软测量模型建立 |
| 5.2.4 回转窑窑中温度软测量模型的评估与验证 |
| 5.2.5 回转窑窑中温度软测量模型的在线校正 |
| 5.3 回转窑窑中温度软测量模型实验结果分析 |
| 5.4 本章小结 |
| 6.总结 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（3）改进型神经网络算法在非线性系统辨识中的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 本文的研究背景及现状 |
| 1.2.1 人工神经网络的发展 |
| 1.2.2 人工神经网络在系统辨识上的优势 |
| 1.2.3 人工神经网络在系统辨识上的研究现状 |
| 1.3 本文的研究意义 |
| 1.4 本文的主要研究内容及章节安排 |
| 第2章 基于人工神经网络的线性系统辨识 |
| 2.1 引言 |
| 2.2 人工神经网络的基本内容 |
| 2.2.1 神经网络的结构及特性 |
| 2.2.2 人工神经网络的学习方式及特点 |
| 2.3 基于人工神经网络的线性系统辨识 |
| 2.3.1 基于线性神经网络的辨识算法 |
| 2.3.2 基于BP神经网络的跟踪系统融合滤波器 |
| 2.4 本章小结 |
| 第3章 基于改进型BP神经网络的非线性定常系统辨识 |
| 3.1 引言 |
| 3.2 BP神经网络的基本模型 |
| 3.2.1 BP神经网络的结构及数学模型 |
| 3.2.2 BP神经网络的学习规则 |
| 3.3 改进的BP神经网络算法 |
| 3.3.1 搜索动态学习率 |
| 3.3.2 激励函数的改进 |
| 3.4 数值仿真 |
| 3.4.1 输入层单神经元系统数值仿真 |
| 3.4.2 输入层多神经元系统数值仿真 |
| 3.5 本章小结 |
| 第4章 基于径向基神经网络的非线性时变系统辨识 |
| 4.1 引言 |
| 4.2 径向基神经网络的基本模型 |
| 4.2.1 径向基神经网络的结构 |
| 4.2.2 径向基神经网络的学习算法 |
| 4.3 改进型径向基神经网络算法 |
| 4.3.1 动态遗忘因子最小二乘法 |
| 4.3.2 基于迭代学习算法的时变RBF网络 |
| 4.4 数值仿真 |
| 4.4.1 定常RBF网络辨识方法仿真 |
| 4.4.2 时变RBF网络辨识方法仿真 |
| 4.5 本章小结 |
| 总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文 |
（4）基于RBF神经网络结构混合优化的数字识别（论文提纲范文）
| 1 数字字符的特征提取 |
| 2 基于聚类、遗传算法的RBF神经网络混合优化设计 |
| 2.1 RBF神经网络的结构及原理 |
| 2.2 最近邻聚类算法确定隐层中心个数 |
| 2.3 k-均值聚类算法优化RBF神经网络中心 |
| 2.4 伪逆法与遗传算法结合确定网络中心宽度和输出权值 |
| 3 仿真实验及结果分析 |
| 4 结论 |
（5）地铁杂散电流分布规律及腐蚀智能监测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 目录 |
| 图清单 |
| 表清单 |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 目前存在的问题 |
| 1.4 课题主要研究内容及技术方案 |
| 2 复杂工况下地铁杂散电流分布建模 |
| 2.1 地铁机车不同运行工况的杂散电流分布建模 |
| 2.2 地铁多机车同时运行下杂散电流分布建模 |
| 2.3 回流系统参数对杂散电流耦合约束界定 |
| 2.4 本章小结 |
| 3 地铁杂散电流腐蚀信号检测及处理策略 |
| 3.1 杂散电流腐蚀机制 |
| 3.2 杂散电流腐蚀信号检测方法 |
| 3.3 杂散电流腐蚀信号特征提取及处理 |
| 3.4 本章小结 |
| 4 地铁杂散电流腐蚀状态综合预估 |
| 4.1 地铁杂散电流腐蚀参量影响因素 |
| 4.2 杂散电流腐蚀状态预测模型 |
| 4.3 腐蚀状态预测数据评估及实验验证 |
| 4.4 本章小结 |
| 5 基于 WEB 的杂散电流腐蚀智能监测系统研究 |
| 5.1 基于 WEB 的杂散电流腐蚀智能监测系统架构 |
| 5.2 杂散电流腐蚀智能监测系统特点 |
| 5.3 Web 服务设计 |
| 5.4 基于 WEB 的杂散电流腐蚀智能监测系统在工程中的实际应用 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| Extended Abstract |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）文化算法优化RBF神经网络及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 语音识别概述 |
| 1.1.1 引言 |
| 1.1.2 语音识别的发展过程及其现状 |
| 1.1.3 语音识别面临的困难 |
| 1.2 文化算法与RBF网络 |
| 1.3 论文完成工作 |
| 1.4 本论文的组织 |
| 第二章 语音识别的基本原理与技术 |
| 2.1 语音识别基本原理 |
| 2.2 语音信号的产生 |
| 2.3 语音信号的预处理 |
| 2.3.1 抗混叠滤波与预加重 |
| 2.3.2 分帧加窗处理 |
| 2.3.3 端点检测 |
| 2.4 语音信号的特征提取 |
| 2.4.1 过零率与峰值幅度(ZCPA) |
| 2.5 孤立词(字)语音识别系统 |
| 2.6 小结 |
| 第三章 径向基神经网络 |
| 3.1 人工神经网络介绍 |
| 3.1.1 人工神经元模型 |
| 3.1.2 神经网络结构 |
| 3.1.3 神经网络的学习方式 |
| 3.2 RBF神经网络的原理 |
| 3.3 RBF神经网络结构 |
| 3.4 RBF神经网络的学习算法 |
| 3.5 小结 |
| 第四章 文化算法 |
| 4.1 文化算法的研究现状 |
| 4.2 文化算法的框架 |
| 4.3 解决非线性无约束优化问题的文化算法 |
| 4.3.1 种群空间 |
| 4.3.2 知识空间及其更新 |
| 4.3.3 通信协议 |
| 4.3.4 算法步骤 |
| 4.3.5 实验仿真 |
| 4.4 小生境文化算法 |
| 4.4.1 小生境算法原理 |
| 4.4.2 小生境文化算法 |
| 4.4.3 实验仿真 |
| 4.5 小结 |
| 第五章 文化算法优化RBF神经网络在语音识别系统中的应用 |
| 5.1 实验过程 |
| 5.2 实验结果及结论 |
| 5.3 小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 进一步工作的展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（7）基于改进RBF网络的传感器非线性误差补偿（论文提纲范文）
| 0 引言 |
| 1 压阻式压力传感器原理与误差分析 |
| 2 非线性误差的校正方法 |
| 2.1 校正方法原理 |
| 2.2 基于改进的减法—密度算法的RBF网络模型建立 |
| 2.2.1 RBF神经网络 |
| 2.2.2 改进的减法—密度聚类算法 |
| 3 实验与分析 |
| 4 结论 |
（9）基于粗糙集和RBF网络的股票时间序列分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外的研究现状 |
| 1.3 课题研究的内容及目标 |
| 第2章 粗糙集理论研究 |
| 2.1 粗糙集理论的基本概念 |
| 2.2 粗糙集连续属性离散化研究 |
| 2.2.1 离散化问题描述 |
| 2.2.2 粗糙集属性离散化方法 |
| 2.2.3 离散化算法的评价标准 |
| 2.3 粗糙集属性约简算法研究 |
| 2.3.1 粗糙集属性约简算法 |
| 2.3.2 基于遗传算法的属性约简研究 |
| 2.4 本章小结 |
| 第3章 基于RBF网络的股票趋势预测研究 |
| 3.1 RBF网络理论研究 |
| 3.1.1 径向基函数(RBF) |
| 3.1.2 RBF神经网络结构 |
| 3.1.3 RBF网络学习算法 |
| 3.1.4 典型神经网络模型的比较 |
| 3.2 股票数据选择 |
| 3.2.1 股票的选择 |
| 3.2.2 输入变量的选择 |
| 3.2.3 输出变量的选择 |
| 3.3 股票数据预处理 |
| 3.4 股票趋势预测结果分析 |
| 3.5 本章小结 |
| 第4章 基于粗糙集和RBF网络的股票趋势预测研究 |
| 4.1 粗糙集与神经网络集成方法研究 |
| 4.1.1 粗糙集与神经网络相结合的必要性 |
| 4.1.2 粗糙集与神经网络集成方法研究现状 |
| 4.2 基于粗糙集和RBF网络的股票时序分析流程 |
| 4.3 股票数据选择及预处理 |
| 4.3.1 对股票数据进行离散化处理 |
| 4.3.2 对决策表进行属性约简 |
| 4.3.3 股票数据的规范化处理 |
| 4.4 基于粗糙集和RBF网络集成的股票趋势预测 |
| 4.4.1 股票趋势预测步骤 |
| 4.4.2 两种约简样本的预测结果分析 |
| 4.5 基于粗糙集和RBF网络的股票预测方法优越性 |
| 4.5.1 预测结果比较 |
| 4.5.2 时间复杂性比较 |
| 4.6 本章小结 |
| 第5章 粗糙集和RBF网络在拐点预测中的应用研究 |
| 5.1 拐点及其分类 |
| 5.2 股票拐点预测实例分析 |
| 5.2.1 拐点预测模型输入变量的选择 |
| 5.2.2 拐点预测模型输出变量的处理 |
| 5.2.3 拐点预测实现 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）径向基神经网络训练算法及其性能研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的提出、背景及意义 |
| 1.2 RBF神经网络的研究现状 |
| 1.3 本文的研究思路和结构安排 |
| 1.3.1 本文的研究思路 |
| 1.3.2 本文的结构安排 |
| 1.4 本论文的创新点 |
| 第二章 RBF神经网络概述 |
| 2.1 RBF神经网络的出现 |
| 2.1.1 RBF的定义 |
| 2.1.2 径向基函数技术解决插值问题的相关理论 |
| 2.1.3 RBF神经网络解决模式分类问题的相关理论 |
| 2.1.4 广义RBF神经网络 |
| 2.2 径向基函数的选择 |
| 2.3 RBF神经网络的基本学习算法 |
| 2.3.1 基于K-means聚类的数据中心选择算法 |
| 2.3.2 基于梯度下降法的学习算法 |
| 2.4 本章小结 |
| 第三章 RBF神经网络学习算法的分类与分析 |
| 3.1 RBF神经网络算法概述 |
| 3.2 RBF神经网络的学习算法及其分析 |
| 3.2.1 基于各种聚类方法的混合学习算法与分析 |
| 3.2.2 正交最小二乘算法（OLS）与分析 |
| 3.2.3 基于结构优化的学习算法与分析 |
| 3.2.4 基于进化算法的神经网络学习算法与分析 |
| 3.3 本章小结 |
| 第四章 RBF神经网络的泛化理论研究 |
| 4.1 从非线性回归角度分析神经网络的泛化能力 |
| 4.1.1 期望风险和经验风险 |
| 4.1.2 问题描述与解决方法 |
| 4.2 影响RBF神经网络泛化能力的其他因素 |
| 4.2.1 样本质量和数量 |
| 4.2.2 先验知识 |
| 4.2.3 初始权值和学习时间 |
| 4.3 本章小结 |
| 第五章 三种改进的RBF神经网络算法及其仿真 |
| 5.1 基于Kohonen网络和OLS算法的RBFNN中心选择方法 |
| 5.1.1 改进算法的提出 |
| 5.1.2 改进算法的具体步骤 |
| 5.1.3 实验及结果分析 |
| 5.2 基于改进的密度法确定RBFNN的数据中心的算法 |
| 5.2.1 算法的提出 |
| 5.2.2 密度法选择数据中心的算法步骤 |
| 5.2.3 算法的复杂度分析 |
| 5.2.4 实验及结果分析 |
| 5.3 改进的APC-III算法训练RBF神经网络 |
| 5.3.1 改进算法的提出 |
| 5.3.2 算法描述 |
| 5.3.3 改进的APC-III算法分析 |
| 5.3.4 改进的算法在非线性系统建模中的应用 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
四、径向基函数神经网络的全监督算法（论文参考文献）
- [1]基于RBF神经网络的热轧钢铁力学性能预测[D]. 田彤. 武汉科技大学, 2021
- [2]回转窑温度软测量预测模型的研究与应用[D]. 牛金玲. 辽宁科技大学, 2020(02)
- [3]改进型神经网络算法在非线性系统辨识中的研究[D]. 高朋. 黑龙江大学, 2018(08)
- [4]基于RBF神经网络结构混合优化的数字识别[J]. 张秀玲,付栋,李海滨,来永进,王振臣. 沈阳大学学报(自然科学版), 2015(03)
- [5]地铁杂散电流分布规律及腐蚀智能监测方法研究[D]. 王禹桥. 中国矿业大学, 2012(10)
- [6]文化算法优化RBF神经网络及应用研究[D]. 魏秀. 太原理工大学, 2011(08)
- [7]基于改进RBF网络的传感器非线性误差补偿[J]. 仓振杰,姜萍萍,颜国正. 传感器与微系统, 2011(04)
- [8]基于全监督算法RBF神经网络的语音识别[J]. 侯雪梅. 西安邮电学院学报, 2011(01)
- [9]基于粗糙集和RBF网络的股票时间序列分析研究[D]. 王天娥. 青岛理工大学, 2009(02)
- [10]径向基神经网络训练算法及其性能研究[D]. 郑明文. 中国石油大学, 2009(03)