导读:本文包含了径向基神经网络模型论文开题报告文献综述及选题提纲参考文献，主要关键词:烟气脱硝,SCR,离散粒子群,RBF神经网络
径向基神经网络模型论文文献综述
王林,高林,郭亦文,安朝榕,金国强[1]（2019）在《离散粒子群寻优径向基神经网络模型在脱硝控制中应用》一文中研究指出提出了一种选择性催化还原(SCR)烟气脱硝预测控制方法,该方法采用粒子群寻优的径向基(RBF)神经网络预测SCR脱硝系统入口NOx质量浓度,将整体寻优空间离散化,通过采用节点寻优并结合最速梯度方法重构寻优模型,同时将该RBF神经网络预测结果引入脱硝控制策略,应用到火电机组的喷氨控制。在某350 MW机组实际应用结果表明,该神经网络模型不仅能实现喷氨自动控制,而且能提高喷氨系统控制精度。(本文来源于《热力发电》期刊2019年10期）
严巡,孙敬,刘德华,钟一平[2]（2019）在《基于径向基神经网络的盐水中CO_2溶解度模型》一文中研究指出确定盐水中CO_2的溶解量对CO_2地质封存潜力和外溢风险评估至关重要,经典溶解度模型建立在热力学平衡定律上,具有一定的限制性,而RBF径向基人工神经网络具有很强的泛化能力,能够关联复杂变量之间的映射关系.利用收集到的实验数据建立了RBF神经网络用于预测盐水中CO_2的溶解度,和之前已经建立的BP神经网络模型对比,将实验数据、RBF神经网络模型、BP神经网络预测结果、PR-DUAN模型以及亨利定律计算值做了对比,为确定盐水中CO_2的溶解度提供了一种新的RBF神经网络预测模型.(本文来源于《数学的实践与认识》期刊2019年18期）
孟妮,山岩[3]（2019）在《基于径向基神经网络的驾驶人无意识车道偏离识别模型》一文中研究指出针对车辆主动安全系统在车辆运动状态识别时难以区分换道和无意识车道偏离,在实车环境下采集换道和驾驶人无意识车道偏离时的方向盘转角、横摆角速度和车道线距离。建立了基于RBF神经网络的车道偏离识别模型。为了进一步提高模型整体识别率,通过归一化、主成分分析和遗传算法对神经网络的权值和阈值参数进行优化。通过对优化后的神经网络模型进行训练和测试,结果表明:在时间窗口为1.8s时,优化后的神经网络模型总体识别率为90%,其中对换道识别准确率达到了92%,对无意识车道偏离识别准确率达到了88%,能够满足车辆主动安全系统的要求。(本文来源于《计算机与数字工程》期刊2019年09期）
徐营利,王展,胡晓兵,张波,刘志明[4]（2019）在《基于径向基神经网络的刀具寿命预测模型研究》一文中研究指出通过分析总结影响刀具寿命的主要影响因素,建立铣削刀具加工参数与刀具寿命的径向基神经网络模型。训练模型使用了10组样本数据,以刀具直径、铣削速度、铣削宽度、铣削深度、进给量、刀具齿数作为网络输入参数,采用十折交叉验证方法对所构建模型进行验证,能够对刀具寿命进行较为准确的预测。与传统BP神经网络模型比较发现,径向基神经网络具有更好的预测精度和稳定性,是预测刀具寿命的一条有效途径。(本文来源于《机械》期刊2019年02期）
梁凯,李名阳,朱超[5]（2018）在《基于径向基神经网络的配电网线损计算模型研究》一文中研究指出本文借鉴径向基神经网络的理论与应用,建立了一种新型的计算配电网线损的模型。介绍了径向基函数神经网络的工作原理以及计算配电网线损的具体步骤,并通过算例仿真验证了该模型的合理性与可行性。实验证明:基于径向基神经网络的配电网线损的计算模型具有准确度高、模型结构简单的优点。(本文来源于《电工技术》期刊2018年18期）
李德根,刘晓亮,宋胜伟,张艳军,万丰[6]（2018）在《熵权法径向基神经网络的截割粉尘浓度模型与预测》一文中研究指出通过分析粉碎性能指标、截线间距、转速、摆动速度和每线齿数对截割粉尘浓度的影响,采用一种结构简单,收敛速度快,能够逼近任意非线性函数的广义RBF神经网络与熵权法确定各影响指标的权重,建立熵权法RBF神经网络截割粉尘浓度预测模型。仿真结果表明:熵权法RBF神经网络可以准确预测掘进工作面粉尘浓度。(本文来源于《煤炭技术》期刊2018年06期）
何欣,张红梅[7]（2018）在《中小上市公司信用风险评估比较研究——基于径向基神经网络和BP神经网络模型》一文中研究指出以114家中小上市公司为研究对象,运用BP神经网络模型和径向基网络模型对训练样本和测试样本中一定比例的"非ST"和"被ST"进行了信用评估。按照各上市公司财务状况把公司划分为"好"和"差"两类。仿真结果表明:BP神经网络模型对测试样本的预测准确率高达88.9%,而径向基网络模型对测试样本的预测准确率只有77.8%,比BP神经网络模型的准确预测率低了11个百分点。(本文来源于《科技创业月刊》期刊2018年05期）
曹雅,邓赵红,王士同[8]（2018）在《基于单调约束的径向基函数神经网络模型》一文中研究指出径向基函数(radial basis function,RBF)神经网络是一种高效的前馈式神经网络。它结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,神经网络还未充分发挥其潜能。针对此,提出单调径向基函数神经网络(monotonic radial basis function neural network,MC-RBF)。MC-RBF引入Tikhonov正则化方法确保优化问题解的唯一性与有界性。试验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。(本文来源于《山东大学学报(工学版)》期刊2018年03期）
张育贵,王义,杨人静[9]（2018）在《基于径向基神经网络的天气预测模型》一文中研究指出针对天气数据高度非线性化的特点,以贵阳市近一年的天气数据为基础,结合神经网络在非线性系统建模与优化求解的优势,提出了一种基于径向基函数(RBF)神经网络的预测模型。该模型分别采用以2天、3天直至9天天气数据为一周期对未来1天天气做出预测的训练样本,最后以贵阳市2017年1月的天气作为测试样本,并将所预测的数据与真实天气数据对比。仿真结果表明,RBF神经网络比现有的预测方法如BP神经网络的预测结果具有更高的可行性和有效性。(本文来源于《贵州大学学报(自然科学版)》期刊2018年01期）
崔晨,邓赵红,王士同[10]（2019）在《基于Lasso稀疏学习的径向基函数神经网络模型》一文中研究指出传统径向基函数(RBF)神经网络模型使用完整的隐含层节点进行模型构建时,会因缺乏隐含层节点抽取机制而使得受训模型的泛化性能下降,导致模型更加复杂。为此,提出一种改进的RBF神经网络模型。通过Lasso稀疏约束对隐含层节点和输出层连接权值进行稀疏表示,去除冗余和不相关隐含层节点的同时保留重要的隐含层节点,并使用交叉验证和网格搜索确定收缩参数以优化模型分类性能。实验结果表明,与现有RBF神经网络模型相比,该模型具有更低的计算复杂度和更高的分类精度。(本文来源于《计算机工程》期刊2019年02期）
径向基神经网络模型论文开题报告
（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：
确定盐水中CO_2的溶解量对CO_2地质封存潜力和外溢风险评估至关重要,经典溶解度模型建立在热力学平衡定律上,具有一定的限制性,而RBF径向基人工神经网络具有很强的泛化能力,能够关联复杂变量之间的映射关系.利用收集到的实验数据建立了RBF神经网络用于预测盐水中CO_2的溶解度,和之前已经建立的BP神经网络模型对比,将实验数据、RBF神经网络模型、BP神经网络预测结果、PR-DUAN模型以及亨利定律计算值做了对比,为确定盐水中CO_2的溶解度提供了一种新的RBF神经网络预测模型.
（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。
径向基神经网络模型论文参考文献
[1].王林,高林,郭亦文,安朝榕,金国强.离散粒子群寻优径向基神经网络模型在脱硝控制中应用[J].热力发电.2019
[2].严巡,孙敬,刘德华,钟一平.基于径向基神经网络的盐水中CO_2溶解度模型[J].数学的实践与认识.2019
[3].孟妮,山岩.基于径向基神经网络的驾驶人无意识车道偏离识别模型[J].计算机与数字工程.2019
[4].徐营利,王展,胡晓兵,张波,刘志明.基于径向基神经网络的刀具寿命预测模型研究[J].机械.2019
[5].梁凯,李名阳,朱超.基于径向基神经网络的配电网线损计算模型研究[J].电工技术.2018
[6].李德根,刘晓亮,宋胜伟,张艳军,万丰.熵权法径向基神经网络的截割粉尘浓度模型与预测[J].煤炭技术.2018
[7].何欣,张红梅.中小上市公司信用风险评估比较研究——基于径向基神经网络和BP神经网络模型[J].科技创业月刊.2018
[8].曹雅,邓赵红,王士同.基于单调约束的径向基函数神经网络模型[J].山东大学学报(工学版).2018
[9].张育贵,王义,杨人静.基于径向基神经网络的天气预测模型[J].贵州大学学报(自然科学版).2018
[10].崔晨,邓赵红,王士同.基于Lasso稀疏学习的径向基函数神经网络模型[J].计算机工程.2019