首页 > TAG信息列表 > rbf
基础神经网络模型的对比
多种网络 一、RBF神经网络 和BP相比激活函数不同，RBF为径向基函数（如Gaussian），BP为Sigmoid或者Relu函数 BP神经网络是对非线性映射的全局逼近 RBF神经网络输出与数据中心离输入模式较劲的“局部”隐节点关系较大，具有局部映射的特征。 $\gamma$ 是RBF网络的第一个超参数，2021-03-09 Matlab RBF神经网络及其实例
Matlab RBF神经网络及其实例 RBF神经网络和BP神经网络的区别就在于训练方法上面：RBF的隐含层与输入层之间的连接权值不是随机确定的，是有一种固定算式的。下面以精确型RBF为例。 假设每个样本有R维的特征。有S1个训练集样本。IW1表示训练集，即S1XR的一个矩阵。 此时，输入一个RMatlab-基于模型不确定补偿的RBF网络机器人自适应控制仿真
在众多机器人控制算法中,基于模型的计算力矩控制方法是十分有效的,其操作性能也是相当优秀的.然而,这种控制算法必须面对两大难题.第一,必须实现对机器人动力学模型的快速计算第二,必须事先精确了解机器人的动力学模型,因为计算转矩算法在模型未知的情况下鲁棒性较差.但是在实基于RBF的半导体刻蚀机异常检测
第三章 半导体刻蚀机数据预处理 对半导体刻蚀机进行故障诊断，首先需要采集获取半导体刻蚀机刻蚀过程的数据，并对数据进行分析和处理工作。本论文的半导体刻蚀机原始数据来自于LAM9600等离子刻蚀机加工晶元时的运行状态数据。本章主要介绍半导体刻蚀机刻蚀过程数据前期的预处理改进PSO-RBF模型的分阶查表法荷电状态估计
研究背景 三元锂电池由于其具有能量密度大、体积小、 环保等优点，正在逐步介入人们的生活当中，尤其 是在纯电动汽车中广为使用。在纯电动车的制造成 本中，三元锂电池组占据了很大的比重，同时电动 汽车的剩余里程也与电池的剩余电量密切相关，因 此准确估计电池荷电状态（state of基于RBF神经网络的函数曲线拟合
上次的微信小文中，我们通过在MATLAB中导入libsvm工具包，进行了函数拟合的实验。本次仿真实验中，我们使用RBF神经网络进行函数拟合。1、RBF网络简介径向基函数（Radical Basis Function, RBF）是多维空间插值的传统技术，是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性【预测模型】PSO算法优化RBF进行预测【Matlab 424期】
一、简介 粒子群优化(PSO)是一种基于群体智能的数值优化算法，由社会心理学家James Kennedy和电气工程师Russell Eberhart于1995年提出。自PSO诞生以来，它在许多方面都得到了改进，这一部分将介绍基本的粒子群优化算法原理和过程。 1.1 粒子群优化 粒子群优化(PSO)是一种群智能算【物理应用】基于RBF神经网络算法控制卫星轨道和姿态【Matlab 341期】
一、简介 RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。流图如下： RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过RBF神经网络--Matlab newrbe函数
newrbe x->表示向量 1.这个形式的神经网络不需要训练， 2.net模型中会保存全部训练数据即矩阵 IW中，新输入的样本p-> 会跟IW矩阵中的每个样本计算距离， radbas(||dist||.* b->)后 形成a-> 所以向量a->的元素个数等于训练样本的个数 LW矩阵 的元素个数是 S2XS1, S2是输出个数，如libsvm之核函数
核函数参数详解 https://blog.csdn.net/MrFortitude/article/details/59558037 什么是核函数？ 在用svm处理问题时，如果函数线性不可分，希望通过将输入空间内线性不可分数据映射到一个高维的特征空间内使数据在特征空间内使线性可分的，这个映射记住φ（x） 之后优化问题中內积基于HHT和RBF神经网络的故障检测——第二篇论文读后感
故障诊断主要包括三部分： 1、故障信号检测方法（定子电流信号检测 [ 定子电流幅值和电流频谱 ] ，振动信号检测，温度信号检测，磁通检测法，绝缘检测法，噪声检测法） 2、故障信号的处理方法，即故障特征提取（FFT，Hilbert 变换，小波变换，Hilbert-Huang变换）。 3、故障识别技术 基于解析算法体系
仅供个人学习用 算法 CNN：卷积神经网络 Convolutional neural network RNN：循环神经网络 Recurrent neural networks LSTM：长短期记忆 Long short term memory GRU : 门循环单元 Gated recurrent units FFNN：前馈神经网络 Feed forward neurral network BP：反向传播 Backpropagat超参数处理之网格搜素
''' 超参数处理之网格搜素：获取一个最优超参数的方式可以绘制验证曲线，但是验证曲线只能每次获取一个最优超参数。 如果多个超参数有很多排列组合的话，就可以使用网格搜索寻求最优超参数组合。 针对超参数组合列表中的每一个超参数