RBF神经网络的研究与应用

提出了一种用于训练粗糙RBF神经网络(rough RBF neural networks,R-RBF)的极速学习机(extreme learning machine,ELM)方法,通过引入矩阵的Moo

为解决井下风速传感器获得的风速异常数据确定故障源位置问题,采用RBF神经网络方法确定可能引起各分支风速异常的分支集合,即建立通风系统故障巷道范围库,再通过对分支的灵敏度进行排序来选择故障巷道诊断的优先

针对广泛应用的有杆抽油机故障率较高的现状，提出傅立叶描述子和RBF神经网络相结合的算法判断抽油机工况。该算法基于典型示功图的几何特征，提取低频区傅里叶描述子作为特征参数，再结合上、下冲程的载荷变化量，

采用K均值聚类算法来优化RBF神经网络的各项参数。

RBF网络能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统

基于RBF神经网络整定的Smith-PID控制及其应用，刘勇，赵子先，针对大时滞时变对象，把Smith补偿原理和PID参数的自适应调整方法结合起来，提出了基于RBF神经网络整定Smith—PID控制算

提出一种新颖的基于boostingRBF神经网络的入侵检测方法。将模糊聚类和神经网络技术相结合，提出基于改进的FCM算法和OLS算法相结合的FORBF算法，为了提高RBF神经网络的泛化能力，采用Boo

基于RBF神经网络的火灾探测器模型研究

BP神经网络和POS神经网络是两种常见的神经网络模型，在计算机科学领域有着重要的应用。BP神经网络是一种前馈式人工神经网络，通过反向传播算法进行训练，可用于解决分类、回归和模式识别等问题。而POS神经

RBF神经网络控制器，对预定曲线有良好的控制效果，误差很小。