遗传算法优化RBF神经网络 完整无缺，好好学习

利用MATLAB工具箱函数分别建立了起重机钢丝绳断丝数目检测的BP神经网络和RBF神经网络模型,并对2种模型的结构、预测精度和训练过程进行了对比研究。结果表明,在一定的样本集和训练条件下,BP和RBF神经网络均能对钢丝绳的断丝数目进行很好预测,可以解决峰值、阀值波宽、小波能量和波形下面积对钢丝绳断丝数目的非线性映射关系,能够满足工程预测的需要。但RBF神经网络较BP神经网络在迭代次数、收敛速度和网络结构方面更具优势,因此其预测能力和泛化能力都优于BP神经网络。

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、系统建模、控制和故障诊断等。

BP神经网络 预测算法 测试 数据 RBF 神经网络算法

遗传算法优化RBF神经网络 完整无缺，好好学习

本案例主要以汽油辛烷值预测，利用RBF神经网络进行对数据进行回归拟合。

RBF神经网络算法示例，实现了对非线性曲线的拟合逼近。

径向基函数神经网络进行异或分类，首先在4个象限随机生训练数据，然后进行FCM聚类，取4个隐层神经元代表分成4类，最后通过伪逆求出输出层神经元权重，输出通过0和1区分

针对燃煤电厂 SCR 入口氮氧化物浓度测量准确性的问题，提出基于结构改进 RBF 神经网络(improved RBF neural network, IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量，避免变量过多或者过少造成模型精度降低；利用 K-近邻互信息估计辅助变量的延迟时间，解决时序问题；采用调整时序的辅助变量和主导变量建立结构改进的RBF 神经网络(RBFNN)预测模型；采用人工鱼群算法(artificial fish swarm algorithm, AFSA)和粒子群算法(particle swarm optimization, PSO)加速验证结构改进模型的优越性，并将两种优化算法优化能力进行分析。仿真结果表明，结构改进的 RBF 神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型；AFSA 算法优化后的模型精度高于 PSO 算法，然而其需要调节的参数较多。

逐步线性回归能较好地克服多重共线性现象的发生,因此逐步回归分析是探索多变量关系的最常用的分析方法,智能算法是现代数据分析的主要方法。本文通过一个实例进行了对比研究,预测结果显示:在预测的精度上,在隐含层数目相同时,RBF径向神经网络>BP神经网络>逐步线性回归>ELM极限学习机。通过对比分析,发现神经网络方法较回归分析预测效果更好,误差相对较小。