基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。     

HHGA-RBFNN在DGS设计中的应用

将递阶遗传算法和最小二乘法相结合, 构成一种混合递阶遗传算法,用于优化径向基函数神经网络的结构和参数,通过MATLAB仿真实现该算法,并将该神经网络运用于微带缺陷接地结构的神经网络建模之中,实现对微带缺陷接地结构传输系数的仿真.实验结果表明,应用混合递阶遗传算法优化的径向基函数神经网络,具有很高的拟合精度和很好的泛化能力,可以与时域有限差分分析方法结合,辅助微带缺陷接地结构的设计.     

基于Hough变换的低分辨率雷达目标识别

针对低分辨率雷达目标的识别问题,提出了一种基于Hough变换的特征提取方法.通过对Hough变换后参数空间进行特征定义来描述参数空间灰度图像的纹理分布特点,进而描述图像空间目标的形状特征.文中利用该方法结合径向基函数神经网络对低分辨率雷达船只目标轮廓像进行特征提取并识别,取得了较高的识别率.     

基于GMM-RBF神经网络的前列腺癌诊断方法

 前列腺癌是近年来发病率上升速度最快的男性癌症,严重威胁着患者的身体健康,准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来,基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点,在提高诊断准确性上显示出极大优势。        针对现有前列腺癌早期诊断方法准确性不高的问题,提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法--GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练,使模型避免陷入局部最优,之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验,将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比,并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。        研究结果表明,与改进前的神经网络模型相比,GMM-RBF神经网络模型收敛速度更快、初始准确度更高;与其它机器学习算法相比,GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。        GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升,能够得到更为可靠的前列腺癌诊断结果,为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持,该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。     

基于径向基函数的非线性预测模型

针对混沌时间序列的预测问题提出一种兼有全局和局部特点的新的预测模型, 通过数值实验探讨这一模型的性能和特点, 并给出对太阳黑子数据较以往文献更好的预测结果．     

R—循环分块矩阵逆矩阵的两种求法

本文给出了R—循环分块矩阵逆矩阵的两种求法。     

基于非径向DEA模型的区域环境绩效评价研究

非期望产出是影响区域环境绩效的主要因素.运用非径向非期望产出DEA模型测度了2000-2007年中国各地区的环境绩效静态技术效率水平,并结合Malmquist生产率指数考察了各地区环境绩效跨期动态变化的趋势及相应的影响因素.结果表明:在整体上,中国大部分地区环境绩效静态技术效率水平均相对较低,其中环境绩效的技术效率水平是导致环境绩效下降的主要因素,而环境绩效技术进步则促进了环境绩效水平的提高.     

从矩阵乘法的分行(列)律到分块律

本文揭示了矩阵乘法的分行(列)律和分排(条)律,并指出它们是分块律的特例;又通过一个引理,实现了从分行(列)律和分排(条)律到分块律这种从特殊到一般的自然过渡,而避免了通常那种证明分块律的烦琐而难懂的方法.     

液体氩结构的分子动力学模拟

本文引入Adams方法用于求解分子动力学模拟中的藕合动力学方程.模拟所得的液体氩的径向分布函数与实验值吻合很好.     

半线性椭圆方程径向正解的非存在性及解的振荡性和有界性的充分条件

设r=sum from i=1 to (x_i~2),Ω={r|0≤r相似文献