基于径向基函数神经网络的植烟土地适宜性评价

在Matlab7．0环境下,根据人工神经网络的理论和方法,以重庆市彭水县植烟土地的实测数据及评价标准构建径向基函数神经网络模型,并进行模型训练及样本评价;在ArcGIS技术支持下,进行不同尺度土地适宜性评价及精度检验．结果表明：采用最近邻聚类学习算法选取聚类中心,模型具有较强非线性处理能力和逼近能力,并具有学习时间短,网络运算速度快,性能稳定等优点;通过模型评价结果和检验值的验证,发现用径向基函数神经网络模型评价土地适宜性,具有评价精度高,使用方便,适应性强等优点,因此可望将其用于区域土地资源生态环境分类评价研究．     

RBF神经网络在平顶山市地表水评价中的应用

为准确和客观地评价地表水环境质量状况,运用MATLAB软件中的神经网络工具箱,结合K均值聚类方法建立径向基函数网络,对平顶山市2004年市控5个地表水断面进行了环境质量评价。在评价前根据平顶山市的实际情况对训练样本范围进行更改,将训练和测试样本进行归一化处理,同时利用RAND函数对训练样本进行插值保证神经网络充分学习。结果发现,K均值聚类法能快速准确地确定网络中心,用建立的径向基函数网络进行地表水质量评价,其评价结果与单因子方法的评价结果一致,并且具有计算速度快、量化评价结果便于同类水质间互相比较的优点。     

基于径向基函数神经网络的高校图书馆用户满意度评价模型

如何客观准确的评价高校图书馆用户满意度是一个比较困难的问题.近年来,BP神经网络技术完全以客观数据为基础,可充分挖掘出潜在的有用信息,有效避免人为主观因素的影响,成为高校图书馆用户满意度评价的热点之一.相比传统BP神经网络,将学习速度更快、易于收敛的径向基函数神经网络技术应用于高校图书馆满意度评价中,重点论述了径向基函数神经网络评价模型的设计和实现,并通过实例分析验证了该模型的有效性.     

基于改进径向基函数的降雨量短期预测研究

为提高短期降水量预测的精度,尤其是汛期降水量的准确估计对防洪减灾以及水资源管理都具有很重要的指导意义。将具有较强非线性映射能力的人工神经网络技术用于汛期降水量预测,更符合降水量的随机相关特征,能切实提高其预测精度。将基于密度参数改进传统K-均值算法与径向基函数神经网络(radial basis function,RBF)耦合,提出了一种新的短期降雨量预报模型。并将所构建的模型应用于黑龙江省双鸭山市汛期月降雨量预报中进行验证。RBF神经网络是一种泛化能力较强的前馈型神经网络模型;密度参数可以通过寻找聚类中心至样本平均距离区域内样本的最优密度,使K-均值算法确定的RBF神经网络基函数中心减少波动,消除标准K-均值算法对初始聚类中心的敏感性,提高RBF网络的逼近能力和网络中心的搜索速度。研究结果表明:基于改进径向基函数的降雨预报模型对于预见期2010年、2011年和2012年的汛期(6~9月)降雨量的计算平均相对误差为10.81%,确定性系数为0.95,预报精度比标准K-均值算法和BP神经网络两种模型的计算结果都有所提高。本研究确定的径向基函数能够更好地描述研究区域汛期月降雨量间的映射关系,与标准K-均值算法和BP神经网络两种模型相比,除预报精度有所提高外,其收敛速度更快,这表明本方法能对短期降水预报提供更高的预报精度。     

基于正交基函数对向传播过程神经网络的语音识别方法

针对特定人孤立词识别任务,传统的语音识别系统中构造的神经网络模型主要采用BP神经网络和径向基函数网络,为了解决这两种神经网络构造下的语音识别系统对训练样本需求量较大和识别率较低问题,提出了一种基于正交基函数展开的混合学习算法,并应用于语音识别中,同时与传统的BP神经网络、径向基函数网络进行了比较.仿真结果表明,采用对向...     

基于BP神经网络的土壤适宜性评价——以溪洛渡水电站嘎勒移民安置区为例

人工神经网络具有大规模并行处理、分布式储存、自适应性、容错性等特点,可以解决复杂的非线性问题.本文将BP人工神经网络应用到溪洛渡水电站嘎勒移民安置区土壤适宜性评价中,构建了影响土壤适宜性的评价因子训练集,对隐层神经元数量的选择、训练过程的建立等问题进行了探讨.通过MATLAB神经网络工具箱对专家样本的学习,建立具有泛化能力的土壤适宜性评价BP神经网络模型,确定网络模型结构为9-7-1,均方误差为0.00033,并对预测地块进行评价,得出评价区域以中等适宜性的土壤为主的结果.     

模糊综合评判模型在广昌县土地适宜性评价中的应用

应用模糊数学方法对江西省广昌县土地进行模糊综合评价,重点分析了水田类土地的评价因子量化、评价因子隶属函数的确定和适宜性级别计算。水田类土地评价结果表明,模糊综合评判模型可以提高土地适宜性评价的科学性和准确性。     

基于多项式与神经网络的陇南林区降水量预测模型

本文基于径向基函数(radial basis function,RBF)神经网络非线性映射能力强、学习收敛快的特点,结合降雨量预测时全年各月降水量对待测月份降水量的相关性,提出一种多项式与径向基函数神经网络混合预测模型,并利用甘肃陇南各林区1944—2011年月降水量为样本对模型进行验证。仿真结果表明:在相同的样本空间下,本文预测模型与一般神经网络相比较,在降水量丰富的月份预测值与实际值误差更小,且收敛速度更快。     

基于PCA-RBF神经网络的成都市建设用地需求预测

为建立“突变”增长条件下建设用地需求预测模型以利于区域土地资源的可持续利用和土地利用总体规划的 定期修编,本文提出了基于主元分析(PCA)与径向基函数(RBF)神经网络模型相结合的建设用地需求预测方法.首 先,利用灰色关联分析筛选出主要驱动因子作为输入数据;然后,利用主元分析消除其相关性,并达到降维目的; 最后,以PCA结果为输入建立建设用地需求的RBF神经网络预测模型.实例研究表明,建设用地需求PCA-RBF 神经网络预测模型具有较好的预测效果,平均绝对误差(MAE)、误差均方根(RMSE)、平均相对误差(MRE)、分 年度残差和突变点残差都较常规的多元线性回归(MLR)模型更小,更适宜在复杂非线性条件下应用.     

一种邻域粒谱聚类方法

谱聚类是一种无监督学习的聚类方法,其具有能够收敛至全局最优且适用于任意形状样本空间的优点.然而,传统方法构造的相似矩阵有时难以准确反映出数据之间的近似关系,从而导致聚类结果不佳.粒计算技术能够很好地解决这一问题.通过将数据邻域粒化,从粒子的视角重新衡量数据之间的近似关系,提出了一种基于邻域粒的谱聚类方法.首先,将样本的单一属性通过邻域粒化的方式形成邻域粒子;然后,将属于同一样本的粒子组合构造成粒子向量;接着,利用定义的2种邻域粒距离公式,对构造出的粒向量进行距离度量,并通过径向基函数生成相似矩阵,从而进行谱聚类;最后,使用UCI数据集进行验证,将谱聚类算法与邻域粒结合,从邻域参数和邻域粒向量的距离度量方式2个方面进行性能测试,并与传统聚类算法进行对比.实验结果表明,基于邻域粒构造的相似矩阵在谱聚类中是可行且有效的.