HHGA—RBFNN在DGS设计中的应用

合集下载

H∞滤波混合优化RBF在SINS动基座传递对准中的应用

ＡｂｔａｔＴｈｙｒｄｏｔａＦｎｕａｅｗｏｋｉｐｌｄｔｅｏｖｈｒｂｅａｏｔｃｌｒｙａｄｓｒｃ：ｅｈｂｉｐｉｌｍＲＢｅｒｌｔｒｓａｐｉｏｒｓｌｅｔｅｐｏｌｍｂｕｅｅｉｎｎｅｔ
ｎｕａｅｗｏｋｎｄｕｔｎｋｔｈｌｈｔｅａａｔｒｎｔｅｐｃｕｅｏｈｏｅｉｈｐｌａｉｎｅｒｌｔｒｓａｄａｊｓｉｇｓｅｃｉｔｅｏｈｒｐｒｍｅｅｓｉｈｉｔｒｆｅｗｈｌｎｔｅａｐｉｔｏｎｙｔｃ
ｏｅａｃｉａｎｔｇｒｔｍ（ｆＨｉｒｒｈｃｌＧｅｅｉＡｌｏｉｃｈＨＧＡ）ｏｈａｉｏｉｈ，ｈｔｅａａｔｒｒｅｕａｅ，ｎｔｅｂｓｓｆｗｈｃｔｅｏｈｒｐｒｍｅｅｓａｅｒｇｌｔｄ
ＳＮＳＭｏｉａｅＴｒｎｓｅｌｇｍｅＩｖｎｇｂｓａｆｒＡｉｎｎｔ
ＦＱｕ —ｈｎＸＵＥＸｉｏｚｏｇＵｎｚｏｇ，ａ —ｈｎ
（ｗｅｇｎｅｉｇＣｏｌｇ，ｎｉｇＵｎｖｒｉｆｉｎｅａｄＴｅｈｏｏｙ，ｎｉｇ２０９Ｃｈｎ）ＰｏｒＥｎｉｅｒｎｌｅｅＮａｊｎｉｅｓｔｏＳｃｅｃｎｃｎｌｇＮａｊｎ１０４，ｉａｙ
５Ｏ。
关键词：递对准，基座，联惯导，Ｂ神经网络传动捷ＲＦ，

基于MATLAB的RBF神经网络建模及应用

第27卷　第2期大庆师范学院学报Vol.27　No.2 2007年4月JOURNAL OF DAQ I N G NOR MAL UN I V ERSI TY Ap ril,2007基于MAT LAB的RBF神经网络建模及应用王艳芹,张　维(大庆师范学院物理与电气信息工程系,黑龙江大庆163712)摘　要:MAT LAB中的神经网络工具箱是进行神经网络系统分析与设计的有力工具。

RBF神经网络以其计算量小,学习速度快,不易陷入局部极小等诸多优点为系统辨识与建模提供了一种有效的手段。

将二者结合起来,解决了油田试井系统中压力值的建模问题,取得了令人满意的结果。

关键词:RBF神经网络;MAT LAB;试井系统作者简介:王艳芹(1979-),女,黑龙江海伦人,大庆师范学院物理与电气信息工程系教师,从事神经网络辨识与建模研究。

中图分类号:TP273　文献标识码:A　文章编号:1006-2165(2007)02-0118-03　收稿日期:2007-01-220引言人工神经网络作为一门新兴学科在非线性系统的建模与辨识中得到了广泛的应用[1]。

目前应用最广泛、直观、易理解的是基于误差反向传播算法的多层前向神经网络,简称BP(Err or Back Pr opagati on)网络,但该网络存在着收敛速度慢、易陷入局部极小及隐含层结点个数不易确定等缺陷。

近些年备受关注的另一种前向神经网络———径向基函数(Radial Basis Functi on,简记RBF)神经网络有效地解决了上述问题。

在人工神经网络的功能实现上,与传统的利用Basic、Fortran、C等语言编程相比,直接应用第四代计算机语言MAT LAB的神经网络工具箱更加简便易行。

MAT LAB是由美国M ath works公司发布的面向科学计算、数据可视化以及交互式程序设计的高级语言,其诸如小波分析、鲁棒控制、模糊逻辑、神经网络等丰富的工具箱代表了当今一流专家学者在这些领域的前沿工作[2]。

改进的RBF神经网络在非线性系统中的应用

改进的RBF神经网络在非线性系统中的应用
储岳中
【期刊名称】《计算机技术与发展》
【年(卷),期】2008(18)3
【摘要】在RBF神经网络的各种学习算法中,最近邻聚类算法学习时间短、计算量小,不需要事先确定隐单元的个数,完成聚类所得到的网络是最优的,并且可以在线学习,是一种自适应聚类学习算法,非常适合非线性实时系统的应用.但常规最近邻聚类算法在实时性要求较高的系统预测中学习时间相对较长.针对这一问题,提出了系统离线学习时采用减聚类算法,在线学习时采用改进的最近邻聚类算法,并变步长修正聚类半径和限制学习样本数.在函数拟合实验中,这种改进算法明显缩短了RBF神经网络的学习时间,在钢包精炼炉电极系统的在线辨识中的成功应用进一步表明对最近邻聚类算法的改进是有效的.
【总页数】4页(P196-199)
【作者】储岳中
【作者单位】安徽工业大学,计算机学院,安徽,马鞍山,243002
【正文语种】中文
【中图分类】TP183
【相关文献】
1.RBF神经网络在非线性系统辨识中的应用 [J], 陈静;葛超;安光晨
2.改进的RBF神经网络在机械臂控制中的应用研究 [J], 廖凯;刘庆云;刘泽浩
3.一种RBF神经网络改进算法在高校学习预警中的应用 [J], 宋楚平;李少芹;蔡彬彬
4.改进遗传算法优化RBF神经网络在短期电力负荷预测中的应用 [J], 宋朝鹏
5.一类新的RBF神经网络在非线性系统建模中的应用 [J], 刘妹琴;沈轶;廖晓昕因版权原因，仅展示原文概要，查看原文内容请购买。

四种确定RBFNN中心的新算法

收稿日期:2006-07-19基金项目:燕山大学博士基金资助课题(B70)作者简介:张秀玲(1968-),女,博士,教授,从事神经网络智能控制研究。

四种确定RBFNN 中心的新算法张秀玲,张志强(燕山大学电气工程学院,河北秦皇岛066004)摘要:提出了4种确定RBFNN 隐层数据中心的新方法,即动态k -均值聚类算法、动态RBFNN 数据中心选取算法、基于H ough 变换的RBF 数据中心选取算法和调整半径的最近邻聚类算法,这些新算法消除了现有算法中人为因素对数据中心的影响,理论推导和仿真验证了新算法的正确性和实用性,解决了RBF 神经网络的设计难题并为其推广应用提供了实用的指导方法。

关键词:RBFNN;数据中心;动态;H ough 变换,调整半径中图分类号:TP183 文献标识码:A 文章编号:1000-0682(2007)02-0006-044kinds of novel algorith m to deter m i n e t he RBFNN data centersZ HANG X i u ling ,ZHANG Zh i q i ang(Colle g e of E lect rical Eng i neering under Yan shan Un i v e rsit y,H ebeiQ inhuangdao 066004,China )Abst ract :Four k i n ds of nove l algorithm to deter m i n e the RBFNN data centers are proposed i n this article .They are the dyna m ic k m eans algo rithm ,dyna m ic RBFNN algorith m to choose the data centers ,the algor ith m to choose the RBF data centers based on the H ough transfo r m and the nearest ne i g hbor algo rit h m based on adjusti n g a rad i u s .These four k i n ds o f algorith m can e li m i n ate the factitious effect on thew ay to choose the data centers i n the extant a l g orit h m.The theoretic derivati o n and the si m u lation have proved the m to be correct and practica,l thus reso lv i n g the pr oble m o f desi g ning t h e RBFNN and providing so m e directoria lw ays to extend the applicati o n of the RBFNN.K ey w ords :RBF NN;da ta centers ;dyna m ic ;H ough transfor m ;radius ad j u st m ent0 引言RBFNN 即径向基神经网络,是由JM oody 和C Dar ken 在20世纪80年代末提出的一种神经网络,模拟了人脑中局部调整、相互覆盖接受域的神经网络结构,是一种局部逼近网络,已证明能以任意精度逼近任意函数[1]。

RBF神经网络应用

供水短期负荷预测
一. RBF网络基本介绍
1.网络结构
两层网络，隐节点激活函数是高斯函数，输出节点
激活函数是线性函数，输出是高斯函数的线性组合每个基函数只对模式空间中某个局部小范围内输入产生明显影响，也叫作局部接受域网络
2.高斯基函数的数学表达式

每个高斯函数的输出在0和1之间，且输入离中心越近，输出越大，因而具有良好的局部逼近能力
输出节点方程：
3.特点（比较于BP网络）
①函数逼近：RBF网络隐含层神经元采用高斯等径向基函数作为激活函数，只有距离基函数中心比较近的输入会明显影响到网络的输出，因此，激活函数具有局部化接受输入信息的特点，具有较强的局部映射能力 ②网络结构：RBF网络只有两层结构，即仅包含一个隐层和一个输出层 ③学习：RBF网络比BP网络训练速度快，因此比较适合于对系统的实时辨识和在线控制
隐层神经元数目的确定：

采用由RBF网络的增长型结构学习算法自动构造，利用迭代的方法逐步增加神经元，直到平方和误差下降到目标误差一下或隐层神经元个数达到最大值停止。
采用两个精度评价指标：
学习算法的确定：
1.隐层节点基函数的无导师学习 2.连接权值的有导师学习

校正预测误差：
在短期负荷预测中，预测误差会随预测时间的延长而逐渐变大。为此采用滚动训练、滚动预测的方式来跟踪校正预测误差，设置两个参数指标： 1.最大滚动预测次数 2.最大允许累计平均误差率预测模型使用一段时间，达到上述任一指标，应及时采纳还有最新数据的数列同时去除含有最旧数据的数列，即更新网络输入模式后重新训练

日用水量预测：
谢谢!
基于rbf网络的城市供水短期负荷预测两层网络隐节点激活函数是高斯函数输出节点激活函数是线性函数输出是高斯函数的线性组合每个基函数只对模式空间中某个局部小范围内输入产生明显影响也叫作局部接受域网络2

对RBF神经网络的改进及应用

3 实例应用
为了验证和比较改进的 RB F 神经网络的有效性和实用性 , 将改进的 RBF 神经网络应用到轴流转桨式水轮机数字协联关系的建立。转桨式水轮机调节系统设置有导叶和桨叶两个调节机构 , 在调节过程中 , 导叶开度和桨叶转角之间存在着最佳配合关系 , 即协联关系。通过协联调节 , 可以保证水轮机在各工况下实现高效率运行。在实际中 ,常常用桨叶开度 φ与导叶开度 a 和水轮机工作水头 H 之间的关系表示协联关系 ,即有 φ = f ( a , H) 。一般要通过试验获得反映该关系的数据 , 采用数字化调速器对水轮发电机组进行控制。可以在实验数据的基础上 , 建立人工神经网络的数学模型以描述协联关系 , 即建立数字协联模型 , 以构成相应的智能控制模块。利用神经网络拟合协联数据 ,将协联关系看作是一个具有双输入 ( 导叶开度 a 和水头 H) 、单输出 ( 桨叶转角 φ) 网络 ,可以实 [5] 现全协联区域内的连续取值。为了提高神经网络模型的拟合精度 , 这里采用改进后的 RB F 神经网络建立数字协联模型。
[1 ,4 ]
。
2 RBF 网络的改进及训练过程
RBF 网络主要是通过径向基的核函数来实现模式聚类和数值逼近 , 对于分布较规则的样本集 ( 即类与类之间交错较少 , 类间距离较远 , 类内距离较近 ) , 可以采用一个类对应一个核函数的方法。但是对于类与类之间彼此交错 , 类内距离较远的样本集 ,这种方法显然会引起较严重的错分。如果用一个样本对应一个核函数 , 那么网络的泛化能力就比较差 ,当样本集很大时 , 那么核函数就会很多 ,影响网络性能。本文提出的改进方法是在一般三层 RBF 前向网络的基础上 , 增加了输入层与输出层的直接联系 ,如图 2 所示。其好处是 ,由于增加了输入与输出的直接连接 , 输入层的信息能够直接的作用并影响输出层的行为 , 从而能有效地

基于HGA的模糊神经控制器设计及其应用

Ｋａｗｏｄｙｒｓ：ｈｅａｃｉａｅｅｉａｇｒｍ，ｚｙｎｕａｅｏｋ，ｏｔｌｏｆｃａｇｎｉｒｒｈｃｌｇｎｔｌｏｉｃｈｔｕｆｚｅｒｎｔｒｃｎｒｆｏｈｒｉｇｌｗｏ
ｆｍｔｅｅｆｓｕｙｎｓｌ— ｄｐａｉｎＢｓｄｎｉｒｒｈｃｌｅｅｉａｇｒｔｍ，ｎｌｇｒｔｍｉｒｐｓｄｏｐｉｚｒｏｈｓｌ— ｔｄａｄｅａａｔｔ．ａｅｏｈｅａｃｉａｇｎｔｌｏｉｆｏｃｈａａｏｉｈｓｐｏｏｅｔｏｔｍｉｅｆｚｎｕａｎｔｏｋＩｅｐｐｓｄａｇｒｔｍ，ｅｈｅａｃｉａｏｉｇｓａｏｔｄｔａｈｈｍｏｏｕｚｙｅｒｌｅｒ．ｔｒｏｅｏｉｗｎｈｏｌｈｔｉｒｒｈｃｌｃｄｎｉｄｐｅｏｅｃｃｒｈｏｓｍｅ，ＯｉｃｎｅｏｖＳｔａｖｌｅｂｔｔｅｕｚｎｕａｎｔｏｋＳｏｏｏｙｎｉｈｉｇａａｔｒ．ｕｈｕｚｎｕａｎｔｏｋｏｔｌｒｉｐｌｄｏｏｈｈｆｚｙｅｒｌｅｒ ’ ｔｐｌｇａｄｗｅｇｔｐｒｍｅｅｓＳｃｆｚｗｎｙｅｒｌｅｒｃｎｒｌｓｗｏｅａｐｉｔｅ
ＡｂｔａｔＣｍｂｎｈｅｒｌｎｔｒｉｏｔｌｎｕｚｏｔｌｔｅｏｅａａｅｒａｉｅｅｆｚｙｃｎｒｌｒａｅｓｒｃ：ｏｉｅｔｅｎｕａｅｗｏｋｗｔｃｎｒｌｇｆｚｙｃｎｒ，ｈｎｓｔｔｈｖｅｌｄｔｕｚｏｔｌｒｈｏｉｏｈｚｈｏｅ

GLHMS_算法的PCNN_参数优化及其在图像融合中的应用

第 22卷第 8期2023年 8月Vol.22 No.8Aug.2023软件导刊Software GuideGLHMS算法的PCNN参数优化及其在图像融合中的应用徐仵博，刘立群（甘肃农业大学信息科学技术学院，甘肃兰州 730070）摘要：人类心理搜索算法（HMS）和脉冲耦合神经网络（PCNN）存在收敛精度低、参数太多等问题，导致融合图像质量不高，由此提出一种基于参数自适应的PCNN图像融合方法。

首先，将均匀分组、局部搜索以及移动次数算子引入人类心理搜索算法，克服了HMS存在的搜索能力不强、收敛速度慢等问题；然后，通过改进后的算法对PCNN的αθ、β、αL 3个参数进行优化，增强了其特征提取性能；最后，通过参数优化后的PCNN融合ToF和RGB图像，得到完整的融合图像。

选取20个测试函数对算法进行仿真实验，结果表明，算法能够有效地加快收敛速度，提高寻优精度。

选取不同时间光线下的果园图像验证了该方法的有效性，平均指标相较于DWT、TIF、CNN、PCNN、DWT_PCNN分别提高19.99%、30.74%、21.14%、17.6%、8.93%，能显著提高融合图像质量。

关键词：人类心理搜索算法；脉冲耦合神经网络；图像融合DOI：10.11907/rjdk.222477开放科学（资源服务）标识码（OSID）：中图分类号：TP391.41 文献标识码：A文章编号：1672-7800（2023）008-0187-09Optimization of PCNN Parameters of GLHMS Algorithm and ItsApplication in Image FusionXU Wubo， LIU Liqun（College of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）Abstract：Aimed at the problems of low convergence accuracy and too many parameters of human mental search algorithm and pulse coupled neural network， which lead to poor quality of fused images， a PCNN image fusion method based on parameter adaptation is proposed. First， an algorithm that introduces uniform grouping， local search and the move count operator into the human mental search algorithm is proposed to overcome the problems of poor search ability and slow convergence of HMS； Then， the PCNN's αθ，β，αL parameters are optimized by the im⁃proved algorithm to enhance its feature extraction performance； Finally， the complete fused image is obtained by fusing the ToF and RGB im⁃ages with the PCNN after parameter optimization. Twenty test functions were selected for simulation experiments of the algorithm， and the ex⁃perimental results showed that the proposed algorithm can effectively speed up the convergence speed and improve the accuracy of the optimi⁃zation search. The effectiveness of the method was verified by selecting orchard images under different temporal lighting， and the average index of the proposed method was improved by 19.99%，30.74%，21.14%，17.6%，and 8.93% compared to DWT，TIF，CNN，PCNN，and DWT_PCNN， respectively. The method can significantly improve the quality of fused images.Key Words：human mental search algorithm； pulse coupled neural network； image fusion0 引言可见光图像具有分辨率高、图像细节丰富等特点，但在光照条件不好或目标遮挡等环境影响下，其效果会变差，而基于飞行时间测距原理相机（Time of Flight， ToF）的成像效果几乎不受环境光的影响，但也存在细节表现不好等缺点［1］。

哈工大智能控制神经网络课件第五课径向基函数网络(RBFN)

RBFN——迭代步骤III
第 i 步。确定 qi (1)令 k=1, 候选向量 v k p k r jk q j ，其中 r jk
j 1 i 1
pk , q j q j,q j
，
ˆ (2)计算 g i
vk t vk vk
T
T
，k
ˆ2 T gi vk vk t t
T
；
(3)返回(1), 直至 P 的所有 s 个分量计算结束。 (1)取对应 k 最大的索引，令其为 k * 。最终选取 q i = v k * 。
(4) 重复上述步骤
MATLAB RBFN: RBFN设计函数
RBFN设计和训练合一 net = newrbe(P,T,SPREAD)
对每一个输入样本对应一个RBF神经元； Spread控制RBF形状，^光滑当出现Rank deficient时，应减小spread重新设计
MATLAB RBFN: RBFN设计函数(2)
RBFN——计算方法
P 为方阵且非奇异时有解： w P 1 t
ˆ P 为长方阵(数据远多于未知数个数)，有 w P t 。
根据矩阵的 QR 分解，代入前式，有
t Q R w Q g ，g=Rw
s
或记为 t
q g ，即 t 在一组基 qi 上的分解。
i i i 1
ˆ 同样根据最小二乘法有： g Q Q Q T t 1Q T t 。
[net,tr] = newrb(P,T,GOAL,SPREAD,MN,DF)
自动计算RBF神经元个数； GOAL为最小误差； MN：最大神经元数目；DF：每次递增数
newrb创建过程
以所有样本输入网络，找到误差最大样本；增加一个(或多个)隐含层神经元，中心值c 与该样本向量相同；重新调整w,使误差最小；如果误差满足要求或神经元数量足够多，退出，否则继续上述过程；

rbf神经网络在数据挖掘中的应用研究

RBF神经网络在数据挖掘中的应用研究
童翔威 ( 中南林业科技大学，湖南长沙410004)
脯要】随着数据库技术的成熟应用和Int emet 的迅速发展，人们利用信息技术产生和搜集数据的能力大幅度提高，使得从大量数据中挖掘出有用的信息或知识成为一个迫切需要解决的问题。睽攘词】数据挖掘； KBF神经网络；应用研究
口。瓴+1)=口； ∞一叼 3{止 t*- (11)
o uI ～ n，
式( 6 ) 、 ( 8)中i =1，2，…，mo直到代价函数E达到最小。 24算法步骤步骤一：根据已知类别个数确定隐层节点数目k，并分别在各类别中随机选取一个样本作为该类的中心C，初始化W。，宽度1 3"，，设定容
………·( 1)
其中! j ={1，2，… ，14，牵j ( X) 为第j 个隐节点对输出，×为网络
的n维输入向量，c i 是第 j 个隐含层节点的核函数中心矢曩，它与输入
商量×具有相同豹维数，6j 为第j 令隐含层节点高斯函数的宽度，
II x—c dJ表示输入向量与中心点之闻的距离测度。网络输出定义为：
^
∈=下1∑7 ‘J 2 l
………( 3)
ei 是误差信号，定义如下：
女
岛=巧一F(劝=喀一艺l 馏( I l -一。l I)
‘ =l
’··t····- -- ’(4)
自由参数的迭代过程如下：
1) 输出单元的权值：
N
蚍㈣) 剐。 ∞卅腊一，彗芈告=∑q( n) g( I I巧- c, (转到步骤二进行。 3性能测试
用RBF神经网络解决I r i s 数据集分类问题：

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｎｔｏｋｍｏｅ．Ｔｅｒｓｌｆｉｌｔｎｄｍｏｓａｅｔａｈａｉｌａｅｆｎｔｎｎｕａｅｗｒａｅｎｈｂｄｈｅａｃｙｇｎｔｅｗｒｄ１ｈｅｕｔｏｍｕａｉｅｎｔｔｔｅｒｄａｓｃｉｅｒｌｔｏｋｂｓｄｏｙｒｉｒｒｈｅｅｉｓｓｏｒｈｔｂｕｏｎｉｃｌｏｉｍａｅｙｈｇｔｎｒｃｓｎａｄｇｏｅｏｍｉｇａｉｔａｇｒｈｈｓｖｒｉｈｆｔｇｐｅｉｏｎｏｄｒｆｒｎｂｌｙ，ａｄｔｉｎｕａｎｔｏｋｍｏｅａｅｕｅｓａｋｎｆｉｏｌｔｉｉｉｉｎｓｅｒｅｗｒｄｌｎｂｓｄａｉｄｏｄｔｏｈｌｃａ
通过ＭＡＬＢ仿真实现该算法，ＴＡ并将该神经网络运用于微带缺陷接地结构的神经网络建模之中，实现对微带缺陷接地结
构传输系数的仿真。实验结果表明，应用混合递阶遗传算法优化的径向基函数神经网络，有很高的拟合精度和很好的具泛化能力，以与时域有限差分分析方法结合，可辅助微带缺陷接地结构的设计。
（ｅｉｌｃｏｉＥｇｎｅｉｇＩｓｔｔ，Ｈｆ３０７ＣｉａＨｆｅｔｎｃｎｉｒｔｕｅｅＥｒｅｎｎｉｅｅ２０３，ｈｎ）ｉ
ＡｂｔａｔＡｎｖｌｈｂｄｈｅａｃｙｇｎｔｌｏｔｍａｎｒｄｃｄｔｒｕｈｃｍｂｎｎｉｒｒｈｅｅｉｇｒｈａｄｌａｔｓｒｃ：ｏｅｙｒｉｒｒｈｅｅｉａｇｒｈｗｓｉｔｕｅｈｏｇｏｉｉｇｈｅａｃｙｇｎｔａｏｔｍｎｅｓｉｃｉｏｃｌｉｓｕｒｔｏ．Ｔｉｈｂｄａｇｒｈｃｕｄｄｔｒｎｅｓｒｃｕｅａｄｐｒｍｅｅｓｏｅｒｄａａｉｎｔｎｎｕａｅｗｏｋ，ａｄｑａｅｍｅｈｄｈｓｙｒｌｏｔｍｏｌｅｅｍｉｅｔｔｔｒｎａａｔｒｆｈａｉｂｓｓｆｃｉｅｒｌｔｒｉｉｈｕｔｌｕｏｎｎｔｅｐｒａｉｍｐｅｎｅｓｇＭＡＴＡＢｌｎｕｇ．Ｔｉｅｒｌｎｔｏｋｉｈｎａｐｉｄｔｅｍｏｅｉｇｏｅｍｉｒｓｒｅｅ－ｈｍｇｍｓｉｌｍｅｔｄｕｉｎＬａｇａｅｈｓｎｕａｅｗｒｓｔｅｐｌｏｔｄｌｆｔｃｏｔｐｄｆｃｅｈｎｈｉｔｄｇｏｎｔｕｔｒ，ａｄｔｅｔｎｍｉｓｎｃｅｆｉｎｆｔｅｍｉｒｓｉｅｅｔｄｇｏｎｔｃｕｅｃｎｂｂａｎｄｆｏｈｅｒｌｅｒｕｄｓｒｃｕｅｎｈｒｓｓｉｏｆｃｅｔｏｈｃｏｔｐｄｆｃｅｒｕｄｓｒｔｒａｅｏｔｉｅｒｍｔｅｎｕａａｏｉｒｕ
关键词：混合递阶遗传算法；径向基函数神经网络；缺陷接地结构；传输系数
ＡｐｉａｉｎｏｐｌｔｏｆＨＨＧＡ－ｃＲＢＦＮＮｎＤｅｉｎｏｉｓｇｆＭｉｒｓｒｐＤＧＳＳｒｃｕｅｃｏｔｉｔｕｔｒ
Ｄａ—ｅｇＧｉｏｇＬｅＵＤｏｐｎ，ＡＯＷｅ — ｎ，ＩＬｄ
第３２卷
第５期
现代雷达
ＭｏｅｎＲａａｄｒｄｒ
Ｖ１３Ｎｏ５ｏ．２．
Байду номын сангаас
２１００年５月
ＭａＯ０ｖ２ｌ
・
天馈伺系统・
中分号：８图类Ｔ１Ｎ７
文标识Ａ献码：
文编１４７９２０５０００章号：０—８（１） —０～４０５００６
ｆｅｄｓｎｏｉｏｔｐｄｆｃｄｇｏｎｔｃｒｏｊｎｔｎｗｔｔｅＦＴｅｏ．ｏｔｅｉｆｃｓｉｅｔｒｕｄｓｕｔｅｉｃｎｃｏｉＤＤｍｔｄｒｈｇｍｒｒｅｅｒｕｎｕｉｈｈｈ
Ｋｅｒｓｙｒｉｒｒｈｅｅｉａｇｒｈｙｗｏｄ：ｈｂｉｈｅａｃｙｇｎｔｌｏｔｍ；ｒｄａａｉｆｎｔｎｎｕａｅｗｒ；ｄｆｃｅｏｎｔｕｔｒｒｎｍｉｓｎＣ — ｄｃｉａｉｂｓｓｕｃｉｅｒｌｔｏｋｅｅｔｄｇｕｄｓｒｃｕｅ；ｔｓｓｉＯｌｏｎｒａｏ
ＨＧ —ＢＮＨＡＲＦＮ在ＤＳ设计中的应用Ｇ
杜道鹏，高卫东，李乐
（合肥电子工程学院，合肥２０３）３０７
摘要：将递阶遗传算法和最小二乘法相结合，构成一种混合递阶遗传算法，于优化径向基函数神经网络的结构和参数，用