基于RBF神经网络的调制识别
基于RBF神经网络的非线性系统对象辨识
基于RBF神经网络的非线性系统对象辨识基于RBF（Radial Basis Function）神经网络的非线性系统对象辨识是一种用于建模和预测非线性系统行为的方法。
RBF神经网络是一种前向型神经网络，它由三层构成：输入层、隐层和输出层。
在非线性系统对象辨识中，首先需要收集系统的输入和输出数据，然后使用RBF神经网络进行模型的训练和辨识。
RBF神经网络的隐层由多个RBF神经元组成，每个神经元对应一个径向基函数。
径向基函数是一种以输入数据为中心的高斯函数，可以描述非线性系统的复杂特性。
训练RBF神经网络的过程包括两个阶段：初始化和迭代。
在初始化阶段，需要确定神经网络的参数，包括径向基函数的中心和宽度。
中心可以通过聚类算法确定，如K-means 算法。
宽度是径向基函数的扩展系数，可以是一个常数或一个向量。
迭代阶段是用于调整神经网络的参数，使得网络的预测输出尽可能接近实际输出。
这可以通过梯度下降法来实现，即通过最小化损失函数（如均方误差）来更新网络权重和偏置。
完成训练后，RBF神经网络可以用于预测非线性系统的输出。
给定新的输入数据，网络通过计算输入和神经元中心之间的距离来确定径向基函数的激活程度，然后将其加权求和，并加上偏置项，最终得到系统的输出。
基于RBF神经网络的非线性系统对象辨识具有以下优点：能够对复杂的非线性系统建模，高度灵活性和适应性，对噪声和不确定性具有鲁棒性。
它也存在一些挑战，如网络结构设计的困难和训练时间的长短等。
基于RBF神经网络的非线性系统对象辨识是一种有效的方法，可以用于建模和预测非线性系统的行为。
它在许多领域，如控制系统、金融市场预测和生物医学工程等方面都有广泛的应用前景。
基于RBF神经网络的无线电信号自动调制识别方法
基于RBF神经网络的无线电信号自动调制识别方法
张双玲;谷小娅
【期刊名称】《通信电源技术》
【年(卷),期】2024(41)2
【摘要】无线电信号自动调制识别存在信号识别准确率低的问题。
因此,设计基于径向基函数(RadialBasisFunction,RBF)神经网络的无线电信号自动调制识别方法。
提取无线电自动调制信号特征,划分调制信号为若干信号块,识别调制类型。
基于RBF神经网络构建信号自动调制识别模型,将RBF作为隐单元的“基”,并通过隐单元函数空间,映射调制信号矢量特征到隐空间,通过调制信号瞬时角频率偏移情况,确定自动调制类型,实现无线电信号的自动调制与精准识别。
开展对比实验,实验结果
表明该方法的识别准确率更高,能够应用于实际生活。
【总页数】3页(P196-198)
【作者】张双玲;谷小娅
【作者单位】河南轻工职业学院
【正文语种】中文
【中图分类】TN9
【相关文献】
1.一种对认知无线电信号调制识别方法的研究
2.基于RBF神经网络的HTTP异常
行为自动识别方法3.基于神经网络的软件无线电信号的调制识别4.一种基于决策
树的认知无线电信号调制识别方法5.无线电信号自动采集和调制方式识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络的人体行为识别技术研究
科学技术创新2020.30基于RBF 神经网络的人体行为识别技术研究姜莹礁（武警内蒙古总队，内蒙古呼和浩特010100）1概述本文提出基于聚类的神经网络人体行为识别算法[1]。
粒子滤波基础上引入具有聚类作用的MeanShift 算法，提高了粒子的利用率。
采用混合特征方法表征人体特征。
采用改进的神经网络模型对人体行为进行识别，提升了识别的准确度。
2人体运动目标检测与跟踪2.1单模态高斯背景模型检测人体轮廓特征利用单模态高斯背景模型对人体目标进行检测和分割，获取人体目标在时间及空间上的变化状态。
利用该模型检测到的人体运动状态，对当前帧与背景模型的进行差值化处理阴影去除，分割出人体的运动轨迹和背景。
2.2Meanshift 粒子滤波算法跟踪人体运动特征均值偏移离子滤波算法[2]中，除了用到了粒子采用，状态转移，权值的修正等步骤，将均值偏移嵌入到粒子滤波算法框架，利用均值偏移算法对粒子进行聚类，还对不同的粒子进行种类的划分，明确粒子的运动途径和种类，能够实时准确跟踪粒子状态。
算法框架如图1所示。
图1两种粒子滤波算法框架3人体运动目标特征提取3.1选取人体外形轮廓特征傅里叶描述子算法把人体轮廓的点集转换到平面上，对有序点集取傅里叶变换。
图2为人体姿态图中的1幅图像。
图2人体轮廓及侧影提取利用傅里叶算法[3]来选取人体外形轮廓特征，人体行为特征全部距离组成的特征矢量为（1）此处对R 进行离散的傅里叶变换：（2）i=1，2，…，N 。
归一化傅里叶系数，计算出人体动作特征的低频分量部分，用连续傅立叶算子表征人体轮廓特征。
3.2人体运动特征提取利用速率表征人体运动特征，图像间位移[4]为：设定人体运动视频帧速率为25f/s ，速率为：（3）人体运动速率表示为：（4）其中，n 是样本的帧数。
选择混合特征描述人体行为特征，以向量的形式输入神经网络分类器，提取的人体外形和运行融合特征包含的信息就越完整，人体行为识别率也会相应的提高。
神经网络控制(RBF)
神经网络控制(RBF)神经网络控制（RBF）是一种基于径向基函数（RBF）的神经网络，用于控制系统，其主要功能是通过对输入信号进行处理来实现对系统输出的控制。
通过神经网络控制，控制器可以学习系统的动态行为和非线性模型，从而使得控制器能够自适应地进行调整和优化，实现对系统的精确控制。
RBF 网络通常由三层组成：输入层、隐藏层和输出层。
输入层接受系统的输入信号，并将其传递到隐藏层，隐藏层对输入数据进行处理并输出中间层的值，其中每个中间层神经元都使用一个基函数来转换输入数据。
最后，输出层根据隐藏层输出以及学习过程中的权重调整，计算并输出最终的控制信号。
RBF 网络的核心是数据集，该数据集由训练数据和测试数据组成。
在训练过程中，通过输入训练数据来调整网络参数和权重。
训练过程分为两个阶段，第一阶段是特征选择，该阶段通过数据挖掘技术来确定最优的基函数数量和位置，并为每个基函数分配一个合适的权重。
第二阶段是更新参数，该阶段通过反向传播算法来更新网络参数和权重，以优化网络的性能和控制精度。
RBF 网络控制的优点在于其对非线性控制问题具有优秀的适应性和泛化性能。
另外，RBF 网络还具有强大的学习和自适应调整能力，能够学习并预测系统的动态行为，同时还可以自动调整参数以提高控制性能。
此外，RBF 网络控制器的结构简单、易于实现，并且具有快速的响应速度，可以满足实时控制应用的要求。
然而，RBF 网络控制也存在一些局限性。
首先，RBF 网络需要大量的训练数据来确定最佳的基函数数量和位置。
此外，由于网络参数和权重的计算量较大，实时性较低，可能存在延迟等问题。
同时，选择合适的基函数以及与其相应的权重也是一项挑战，这需要在控制问题中进行深入的技术和经验探索。
总体而言，RBF 网络控制是一种非常有效的控制方法，可以在广泛的控制问题中使用。
其结构简单，性能稳定，具有很强的适应性和泛化性能，可以实现实时控制，为复杂工业控制问题的解决提供了一个重要的解决方案。
6.3 基于RBF神经网络的辨识 [系统辨识理论及Matlab仿真]
![6.3 基于RBF神经网络的辨识 [系统辨识理论及Matlab仿真]](https://img.taocdn.com/s3/m/41e3af4aa216147916112830.png)
RBF网络特点
(1) RBF网络的作用函数为高斯函数，是局部 的，BP网络的作用函数为S函数，是全局的；
(2) 如何确定RBF网络隐层节点的中心及基宽 度参数是一个困难的问题；
(3) 已证明RBF网络具有唯一最佳逼近的特性， 且无局部极小[1]。
RBF网络结构 RBF网络是一种三层前向网络，由于输入
到输出的映射是非线性的，而隐含层空间到 输出空间的映射是线性的，从而可以大大加 快学习速度并避免局部极小问题。
RBF网络结构图1所示。
图1 RBF网络结构
2、RBF网络的逼近
采用RBF网络逼近一对象的结构如图2所 示。
图2 RBF神经网络逼近
在RBF网络结构中，X x1,x2,....xnT 为网络的输入
m
wjhj
j 1
c1 j x1 b2j
其中取 x1 u(k) 。
3、RBF网络逼近仿真实例
使用RBF网络逼近下列对象：
y(k)
u(k
)3
1
y(k 1) y(k 1)2
• RBF网络逼近程序见chap6_4.m
参考文献
[1] J.Park, I.W.Sandberg, Universal approximation
6.3 基于RBF神经网络的辨识
1、RBF神经网络 径向基函数(RBF-Radial Basis Function)神经 网络是由J.Moody和C.Darken在80年代末提出的 一种神经网络,它是具有单隐层的三层前馈网络 。由于它模拟了人脑中局部调整、相互覆盖接收 域（或称感受野-Receptive Field）的神经网络结 构，因此，RBF网络是一种局部逼近网络，已证 明它能任意精度逼近任意连续函数[1]。
基于RBF_神经网络的无线电信号自动调制识别方法
Telecom Power Technology通信网络技术 2024年1月25日第41卷第2期197 Telecom Power TechnologyJan. 25, 2024, Vol.41 No.2张双玲，等：基于RBF 神经网络的 无线电信号自动调制识别方法1.2 基于RBF 神经网络构建信号自动调制识别模型RBF 神经网络的输入层由信号源节点组成，第二层为隐含层，第三层为输出层[7]。
将RBF 作为隐单元的“基”，并通过隐单元函数空间，将调制信号矢量特征映射到隐空间中，避免信号识别失误的问题。
隐含层空间到输出层空间的映射呈线性，网络的输出是隐单元的线性加权，该权值为RBF 网络的可调参数。
将信号调制识别问题看作多变量RBF 差值问题，则 {}()()s s Ix x R =∈X（3）式中：X 为I 维空间点集的输入向量；x (s )为离散信号x 的信号序列；R I 为I 维空间的点集。
0维空间点集的输入向量表示为 {}()()0s s y y R =∈Y（4）式中：Y 为0维空间点集的输入向量；y (s )为映射信号y 的信号序列。
信号映射时，X →Y 。
通过RBF 神经网络，获取输出向量。
RBF 神经网络结构中，输入层神经元数为I ，隐含层神经元数为H ，输出层神经元数为O [8]。
将x 作为输入向量，z 为隐含层神经元状态，y 为输出向量，构建无线电信号自动调制识别模型，表达式为 k jk j 1Hj w ==∑y z（5）式中：y k 为经过k 次神经变化后识别出的调制输出向 量；w jk 为隐含层第j 个神经元与第k 个神经元的连接系数；z j 为第j 个隐含层神经元的中心矢量。
1.3 识别无线电信号自动调制类型在提取特征后，通过调制信号瞬时角频率的偏移情况，能够确定自动调制类型[9]。
将模拟调制信号与数字调制信号混合在一起，再识别信号的自动调制类型。
基于此，无线电信号的频率偏移量表示为 FM k f ()cos ()d tS t A y t K x n t −∞ =+∫ （6）式中：S FM (t )为调制信号FM 在t 时刻产生的频率的偏移量；A 为载波振幅；K f 为调制相位。
基于优化RBF神经网络的集成算法及其在调制识别中的应用
０ 引 言
近年来 ， 神经 网络 在模式 识别 、 人工智 能 、 分类 与查询 、 雷达 与声 纳 的多 目标 识别 与跟 踪等领 域都有 着 广泛 的应用 。Ｈ ｎｅ ａ ｓｎ和 Ｓ ｌ ｏ … 开创性 地提 出 了神经 网络 集 成 的方 法 。Ｌｕ 提 出 了一 套 各 成员 神 经 ａｍ ｎ ａ ｉ 网络之 间 的负相关 性集成 学 习方法 ， 从而 降低 了神经 网络集 成算 法 的泛化 误 差 。Ｚ ｏ 利用 遗 传算 法 确 ｈｕ 定各个 体神 经网络 在集成 算法 中 的权 重 ， 根 据权 重 大 小选 择 部 分个 体 神 经 网络 参 与集 成 。Ｃ ｎ ｉｇ ａ 并 ｕ ｎｎ ｈｍ
等 人 通 过 不 同 数 量 的 训 练 数 据 和 测 试 数 据 ， 神 经 网 络 集 成 的 算 法 稳 定 性 进 行 了 分 析 。 对
本文 首先 提 出了一种 Ｒ Ｆ神经 网络 隐含层训 练 的优化 算法 。针对 神经 网络 的过 学 习 问题 ， 出 了基 Ｂ 给
于泛化误 差监督 的最 优训 练 中止算 法 。基 于优化 的 Ｒ Ｆ神 经 网络 ， 出 了一 种 基于 最优 权 重搜 索 的神经 Ｂ 提
ｐ ｏ ｏ ｅ ｏ ａ ｏｄ ｏ ｅ － ｔｉ ｇ ｔａｎ ｎ ． Ｂａ ｅ ｎ ｏ ｔ ａ ｉｈ ｓ’ ｅ ｓ ｍｂ ｅ ａｇ ｒｔ ｍ ，ｔ ｅ ｉ ｅ ｔ － ｒ ｐ ｓ ｄ ｔ ｖ ｉ ｖ ｒｆ ｔｎ ｒ ｉｉ ｇ ｉ ｓ ｄ ｏ ｐ ｉ ｌｗｅ ｇ ｔ ｍ ｎ ｅ ｌ ｌ ｏｉｈ ｈ ｄ ｎｉ ｉ ｆ
２ ．Ｕｎｔ １ ８ ｉ ６ ５ ０，Ｂｅ ｉｇ１ ０１３， ｈｎ ） ｉｎ ０ ９ Ｃ ｉａ ｊ
Ａｂｓｒ ｃ ： ｎ ｗ ｅ ｔａ ｅｗｏ ｋ ｅ ｅ ｌ ｌ ｏ ｉ ｔ ａ ｔ Ａ ｅ ｎ ｕ ｒ ｌｎ ｔ ｒ ｎｓ ｍｂ ｅ ａｇ ｒｔ ｈｍ ｓｐ ｏ ｏ ｅ ｉ ｒ ｐ ｓ ｄ． Ｆｉｓ ，ｔ ｅ ｈ ｄ ｅ ａ ｅ ｒ ｉ ｉ ｇ ｏ ｒ ｔ ｈ ｉ ｄ ｎ ｌｙ ｒｔａｎ ｎ ｆ ｎ ｕ ｒ ｌｎ ｔ ｒ ｓ ｐ ｉ ｚ ｄ ｂ ｉ ｌ ｔｄ ｎ ａ ｉｇ ａｇ ｒｔ ｍ ． Ｔｈ ｎ， ａ ｏ ｔ ａ ｓｏ ｐ ｎ ｕ ｅ ｉ ｅ ｔａ ｅｗｏ ｋ ｉ ｏ ｔｍｉｅ ｙ ｓｍｕ ａ ｅ ａ ｎｅ ｌ ｌ ｏｉｈ ｎ ｅ ｎ ｐｉ ｌ ｔ ｐ ｉ ｇ ｒ ｌ ｓ ｍ
基于RBF神经网络结构混合优化的数字识别
中 图分 类号 ：Ｔ Ｐ １ ８ ３
数 字识别 是 图像字 符识 别 （ Ｉ Ｃ Ｒ） 的一个 重 要
分支 ， 是 图像 处 理技 术 和 模 式识 别 技 术 相结 合 的
然 而有效确 定 Ｒ Ｂ Ｆ神 经 网络 的隐 层 参 数是 其难 点所 在 ， 这包 括 隐层 节 点数 目、 隐层 中心值 和 中心宽 度的确定 ． 在 隐层 的三 个参 数 中 ， 隐 层节 点 的数量 决定 了网络 的复杂度 ， 过多或 者过少 的隐节
程， 通 常 采 用 基 于 梯 度 下 降 的误 差 纠 正 算 法 来
具有 重要 的使用 价 值 ． 目前 数 字识 别 常 用 的 方法 包 括基 于模板 匹配 、 特征 匹配 和神经 网络 的方法 ． 在基 于神 经 网络 的方 法 中， 由于径 向基 函数 神经 网络 （ ＲＢ Ｆ ＮＮ） 具有非线性 逼近能力 强、 结 构 简 单、 学习速 度快 等优 点 ， 因而被广 泛应 用于模 式识
２ １ ６
沈 阳大 学学报 （ 自然科 学版 ）
第２ ７ 卷
分 量 的最小 值 ， ｚ … 表 示 所 有 向量 中 同 一 分量 的 最大值 ． 式（ ３ ） 中， ｚ 表 示 向量 中 的第 ｉ个 分 量 ，
第２ ７ 卷 第３ 期
２ ０ １ ５年 ６月
Ｖｏ ｌ － ２ ７ ， ＮＯ 。 ３
Ｊ ｕ ｎ ．２ ０ １ ５
文 章 编 号 ：２ ０ ９ ５ — ５ ４ ５ ６ （ ２ ０ １ ５ ） ０ ３ — ０ ２ １ ４ — ０ ８
基于改进RBF神经网络的数字调制识别
ｓ ａ ｂ ｉ ｅｅ ｓｈ Ｔ ｅ ｉｕａｏ ｓｌ ｈｗ ｔ ｔｔ ｏｋ ｅ ｉｔ ｏｕ ｔ ｎｒ ｏｎ ｉ ２ Ｓ ，Ａ Ｋ Ｐ Ｋ，ＰＫ，Ｆ Ｋ ｉ ｌ ｏｔｎ ｂｔ ｒｅｕ ．ｈ ｍ ｌ ｉ ｒ ｕ ｓ ｏ ａ ｉｗｒｓ ｌｉ ｄ ｉｌ ｄ ｌｉ ｃｇｉｏ Ａ Ｋ ４ Ｓ Ｂ Ｓ Ｑ Ｓ ２ Ｓ ， ｎ ｇ ｓ ａｓ ｔ ｒ ｓ ｔｎ ｅ ｔ ｓ ｈ ｗ ｌｎ ｇａ ｍ ａｏ ｅ ｔｎ（
综 合 电 子 信 息 技 术
基于改进 Ｒ Ｆ神经 网络的数字调制识别 Ｂ
肖丽 萍 ， 万 强 ， 超 尘 汪 唐
（ 山大学 信 息科 学与 工程 学院 ， 燕 河北 秦 皇 岛 ０ ６０ ） ６０ ４
摘 要 ：针 对 数 字 调 制 信 号 自动 识 别 中分 类 器 的 设 计 ， 过 将 决 策 树 的 方 法 应 用 到 Ｒ Ｆ 中 心 的 确 定 中 ， 决 了 常 通 Ｂ 解 用 算 法 计 算 量 大 、 敛 速 度 慢 的 问 题 ， 高 了 网 络 的 学 习 精 度 和 训 练 速 度 ， 其 应 用 到 常 用 的 ７种 数 字 调 制 信 号 收 提 将 （ Ａ Ｋ，Ａ Ｋ， ＰＫ， Ｐ Ｋ， ＦＫ， ＦＫ，６ Ａ 的 自动 识 别 中 ， 得 了 好 的 结 果 。 经 仿 真 表 明 ， 用 该 方 法 构 造 的 神 经 ２ Ｓ ４ Ｓ Ｂ Ｓ Ｑ Ｓ ２ Ｓ ４ Ｓ １ Ｑ Ｍ） 取 使
基于RBF神经网络的非线性系统对象辨识
基于RBF神经网络的非线性系统对象辨识
神经网络是一种基于算法的模式识别方法，包括许多类型的神经元和神经连接。
其中，径向基函数神经网络（RBF神经网络）是一种特殊的前馈神经网络，其常用于非线性函数拟合和分类。
在非线性系统辨识中，RBF神经网络可以用于辨识非线性系统的输入输出行为。
具体
来说，首先需要采集系统的输入输出数据，然后将数据用于训练RBF神经网络。
在训练过
程中，RBF神经网络的输入为系统的输入量，输出为系统的输出量。
因此，训练完毕的RBF 神经网络可以模拟非线性系统的输入输出行为。
RBF神经网络的基本框架是一个三层的前馈神经网络，其中包括输入层、隐藏层和输
出层。
具体来说，输入层接受系统的输入量，并将其传递到隐藏层。
隐藏层的神经元采用
径向基函数，将输入的信号转换为一组线性可分的特征空间。
输出层的神经元将隐藏层的
结果乘以一组权重，并将其加上偏置项，得到最终的输出。
在RBF神经网络中，径向基函数是网络的核心。
径向基函数的选择很重要，因为它直
接影响着网络的性能。
通常情况下，常用的径向基函数有高斯函数和多项式函数。
在非线性系统对象的辨识中，RBF神经网络具有许多优点。
首先，RBF神经网络可以较好地拟合非线性系统的输入输出行为，因为其具有强大的非线性建模能力。
其次，RBF神
经网络具有快速的学习能力和高效的计算能力，因此可以实现较快的计算速度。
最后，RBF神经网络没有局限于特定的模型形式，因此具有广泛的适用性和灵活性。
基于RBF神经网络的非线性系统对象辨识
基于RBF神经网络的非线性系统对象辨识基于RBF（Radial Basis Function）神经网络的非线性系统对象辨识是一种用于建模和预测非线性系统的方法。
它使用一种特殊的神经网络结构，并结合适当的训练算法来识别系统的输入和输出之间的关系。
RBF神经网络是一种前向型神经网络，通常由三层组成：输入层、隐藏层和输出层。
每个隐藏层神经元都对应一个RBF函数，用于在输入空间中生成高斯分布的响应。
隐藏层神经元通过计算输入向量与其对应的RBF函数的距离来确定其激活程度，距离越小表示激活程度越高。
RBF神经网络的训练过程主要包括两个步骤：中心向量的选择和权重矩阵的计算。
中心向量通常是通过聚类算法从输入样本中选择的，它们代表了系统输入空间的一组典型点。
权重矩阵的计算可以通过最小二乘法或梯度下降等方法来实现，目标是使预测输出与实际输出之间的误差最小化。
1. 非线性逼近能力强：RBF神经网络具有非常强的非线性逼近能力，能够对复杂的非线性系统进行建模和预测。
2. 快速训练速度：RBF神经网络的训练过程可以通过使用聚类算法来选择中心向量，从而大大减少了训练时间和计算复杂度。
3. 鲁棒性强：RBF神经网络对噪声和不完全数据具有较好的鲁棒性，能够处理输入数据中的不确定性和噪声。
4. 可解释性好：RBF神经网络的隐藏层神经元对应于输入空间中的典型点，从而提供了对模型的解释能力。
隐藏层神经元的数量和位置决定了模型的复杂度。
1. 隐含参数确定问题：RBF神经网络的性能非常依赖于中心向量的选择和权重矩阵的计算。
确定这些参数需要一定的经验和试验。
2. 过度拟合问题：RBF神经网络容易对训练数据过度拟合，这意味着模型对新样本的泛化能力可能较差。
解决过度拟合问题可以通过正则化等方法来实现。
在实际应用中，基于RBF神经网络的非线性系统对象辨识方法已经被广泛应用于控制系统、模式识别和信号处理等领域。
它为建模和预测非线性系统提供了一种有效的手段，有助于改善系统的性能和鲁棒性。
6.4基于RBF网络辨识的自校正控制
本方法的局限性
• 由于采用梯度下降法调节网络的权 值，无法保证控制系统的稳定性和 收敛性。
yk 1 gyk ykuk
其中 u ，y 分别为对象的输入、输出，• 为非
零函数。
若 g• ，• 已知，根据“确定性等价原
则”，控制器的控制算法为：
u(k)
g• •
rk 1
•
若 g• ，• 未知，则通过在线训练神经网
络辨识器，由辨识器结果Ng• 、N•代 替 g•、• ，控制器的控制算法为：
u(k
网络的径向基向量为 H h1, , hm T ，h j 为高斯
基函数：
hj
exp(-
yk- C j
2b
2 j
2
)
其中 j 1,, m 。 b j 为节点 j 的基宽度参数，bj 0
，C j 为网络第 j 个结点的中心矢量，
， 。 C j c11,, c1m
B b1, , bm T
神经间接自校正控制结构如下图所示，它 由两个回路组成：
（1）自校正控制器与被控对象构成的反馈回 路。
（2）神经网络辩识器与控制器设计，以得到 控制器的参数。
辩识器的在线设计是自校正控制实现的关 键。
控制器设计
自校正 控制器
神经网络 辩识器
被控 对象
图1 神经网络间接自校正控制框图
自校正控制算法 考虑被控对象：
)
Ng• N•
rk 1
N•
用于辨识的神经网络采用RBF网络实现， 网络的权值采用梯度下降法来调节。
RBF网络自校正控制算法
采用两个RBF网络分别实现未知项g• 、•的 辨识。RBF网络辨识器的结构如图2所示， W和 V 分别为两个神经网络的权值向量。
基于RBF神经网络辨识
wj (k) wj (k-1) wj (wj (k 1) wj (k 2))
其中, 为学习速率， 为动量因子。
Jacobian阵(即为对象的输出对控制输入的灵敏 度信息)算法为：
y(k )
u (k )
ym (k) u (k )
m
wjhj
j 1
b j 为节点的基宽度参数，且为大于零的数。 网络的权向量为：
W [w1, w2 L wj L wm ]
k时刻网络的输出为：
ym (k) = wh w1h1 + w2h2 +L L + wmhm
设理想输出为y(k)，则性能指标函数为：
E(k)
1 2
( y(k) -
ym (k))2
根据梯度下降法，输出权、节点中心及节点基 宽参数的迭代算法如下：
到输出的映射是非线性的，而隐含层空间到 输出空间的映射是线性的，从而可以大大加 快学习速度并避免局部极小问题。
RBF网络结构图1所示。
图1 RBF网络结构
2、RBF网络的逼近
采用RBF网络逼近一对象的结构如图2所 示。
图2 RBF神经网络逼近
在RBF网络结构中，X x1,x2,....xnT 为网络的输入
向量。设RBF网络的径向基向量H [h1,h2, hj..hm]T
，其中hj为高斯基函数：
2
h j exp(-
X -Cj
2b
2 j
), j 1,2, m
网络的第j个结点的中心矢量为：
Cj [c1j ,c2 j cij cn j ]T
其中，i=1,2,…n
设网络的基宽向量为：
B [b1,b2 bm ]T
基于改进RBFN的信号调制识别方法
Ｍｏ ｕａ ｉｎ Ｒｅ ｏ ｎｔ ｎ Ｕ ｉｇ Ｉ ｒ ｖ ｄ ＲＢＦ Ｎｅ ｕ ｌ ｔ ｒｓ ｄ ｌｔ ｃ ｇ ｉ ｓｎ ｍｐ ｏ ｅ ｏ ｉ ｏ ｒａ Ｎｅ ｗｏ ｋ
Ｈｅ Ｔａ Ｚｈ ｕ Ｚｈｅ ｏ ｏ ｏ ｎｇ ｕ
（ ｅｔ ｌ ｔ ｎｃＥ ｇ Ｅ Ｔｏ ｈｎ ， ｈ ｎｄ ， ｉ ｕｎ６ ０ ５ Ｃ ｉ ） Ｄ ｐ．Ｅｅ ｒ ｉ ｎ ．Ｕ Ｓ ｆ ｉａ Ｃ ｅｇｕ Ｓｃ ａ １０ ４，ｈｎ ｃｏ Ｃ ｈ ａ
的分类 器来 实现 信 号调 制识 别 的新 方 法 。计 算 机模 拟 结 果
充分说 明了这一方法 的可行性 。
２ 特 征 提 取
特征提取 的主要 目的是集 中表 征显 著类 别 差 异 的模 式 信 息 ，并缩小 数 据集 ，以提高 识 别效 率 ，减 少计 算 量 。高 阶统计 量能够提 供 信号 在 高 阶统计 域 的信 息 ，而 这 些信 息 设分类器工 作 在相 干 环境 下 ，接 收到 的信 号 已经实 现 载波同步和码元 同步 ，但 存 在未 知 的参 考相 位 偏 差。则 在
Ｋ ｙｗｏｄ ： ｈｇ ｅ—ｒｅ ｔ ｉｉ ＨＯ ） ｒｄａ—ａｉ ｆｎ ｔ ｎ（ Ｂ ） ｍ ｄ ｌ ｉ ｅｏｎ ｉｎ ｃｓ ｆｎｔ ｎ ｅ ｒｓ ｉ ｒ ｄｒｓ ｔ ｔｓ（ Ｓ ； ａｉ ｂｓ ｃｏ Ｒ Ｆ ； ｏ ｕ ｔ ｎｒｃｇｉｏ ； ｏｔｕ ｃｉ ． ｈ ｏ ａ ｓｃ ｌ ｓｕ ｉ ａｏ ｔ ｏ
维普资讯
第２ ２卷
第 ４期
信 号 处 理
ＳＣ Ｉ ＮＡ Ｒ Ｌ Ｐ ＯＣＥ Ｓ ＮＧ ＳＩ
Ｖ １ ２ Ｎｏ ４ ｏ ． ２． ． Ａ Ｎ２ ｏ ａ ．０ ６Ｆ 的信号调制识别方法 Ｂ Ｎ
贺涛 周正欧
RBF神经网络模式识别
动态RBF神经网络模式识别12721211,秦自杰2013-03-01摘要：本文讨论了神经网络模式识别的特点，研究了一种RBF神经网络在模式识别中的训练方法。
对RBF神经网络的训练采用一种区域映射的方式，并由此使用区域映射误差函数，同时结合RAN新性条件进行网络节点的动态调整。
不但加快了网络的训练过程，而且获得较小的网络结构，提高了网络的泛化性能和正确率。
关键词：径向基函数；分类；区域映射；动态；模式识别A Dynamic RBF Neural Network for Pattern RecognitionAbstract：The characteristics of neural network for pattern recognition are discussed in this paper. The problem of training RBF neural network for pattern recognition is considered. In this paper, a new training algorithm based on the regional mapping and novelty condition of RAN is proposed. The result show the effectiveness of the proposed approach in RBF network training for pattern recognition, mainly in shortening the learning time, simplifying the structure of network and improving the classification accuracy.Keywords: RBF; classification; regional mapping; dynamic; Pattern Recognition1 引言模式识别的任务是把模式正确地从特征空间映射到类空间，或者说是在特征空间中实现类的划分。
基于RBF 神经网络的调制识别
基于RBF 神经网络的调制识别
刘澍;王宏远
【期刊名称】《系统工程与电子技术》
【年(卷),期】2008(30)7
【摘要】针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善.仿真实验的结果证明了此方法的有效性和可行性.
【总页数】4页(P1241-1244)
【作者】刘澍;王宏远
【作者单位】华中科技大学电信系,湖北,武汉,430074;华中科技大学电信系,湖北,武汉,430074
【正文语种】中文
【中图分类】TN18
【相关文献】
1.基于优化RBF神经网络的集成算法及其在调制识别中的应用 [J], 李剑;江成顺;侯毅刚
2.基于改进RBF神经网络的数字调制识别 [J], 肖丽萍;汪万强;唐超尘
3.一种优化的RBF神经网络在调制识别中的应用 [J], 叶健;葛临东;吴月娴
4.基于RBF神经网络的模拟数字信号调制识别 [J], 何飞;张立军;刘肃;鲁辉;郑占旗
5.基于时频分析和RBF神经网络的调制识别 [J], 赵知劲;周云水;尚俊娜
因版权原因，仅展示原文概要，查看原文内容请购买。
基于RBF神经网络PCA变换的识别技术
基于RBF神经网络PCA变换的识别技术左军;周灵;孙亚民【期刊名称】《中山大学学报（自然科学版）》【年(卷),期】2014(000)006【摘要】The RBF neural network for classification is applied in face recognition.With two important criterion for estimating the initial width of RBF unit,the width can control the generalization ability of RBF neural network classifier.PCA method to the training sample set the projection to the face space,to reduce dimension.On the basis of the PCA transform,an optimal subspace classification makes the dis-tance between the classes to maximize the ratio of the distance using FLD method.Simulation is conduc-ted on the ORL database,and its results show that the algorithm is efficiency and effectiveness.%应用RBF神经网络作为分类器用于人脸识别。
提出了两个重要的准则来估计RBF单元的初始宽度，这个宽度可以控制RBF神经网络分类器的泛化能力。
PCA方法把训练样本集投影到特征脸空间，以减少维数。
在PCA变换的基础上，作者进一步运用FLD方法，为分类找到一个最佳的子空间，使类间距离和类内距离之比最大化。
一种基于RBF神经网络的车牌识别技术的研究的开题报告
一种基于RBF神经网络的车牌识别技术的研究的开题报告一、研究背景随着社会的快速发展，汽车数量不断增加，车辆管理成为了一个重要的问题。
而车牌识别技术的应用已经越来越广泛，涉及到路口监控、停车场管理、违法行为监测等多个领域。
车牌识别技术能够自动处理车牌信息，提高了车辆管理的效率，帮助交通管理部门进行智能化管理。
目前，车牌识别技术主要分为两大类：基于图像处理方法和基于机器学习方法。
其中基于机器学习方法，尤其是基于神经网络的方法因为其自适应性、非线性强等特点，成为了车牌识别的研究重点。
在神经网络的应用方面，径向基函数神经网络（RBFNN）在模式识别、分类、预测等方面表现出了很好的效果。
因此，本文将基于RBF神经网络研究车牌识别技术，对车牌进行自动处理和识别，为车辆管理提供便捷性。
二、研究目的与意义车牌识别技术在现代交通管理中具有广泛应用，提高了交通管理的效率和精度。
本文旨在研究一种基于RBF神经网络的车牌识别技术，探究如何将RBF神经网络应用到车牌识别领域。
具体研究内容包括：1.构建RBF神经网络，在车牌识别方面中起到的作用进行分析和研究。
2.设计车牌识别算法，利用RBF神经网络对车牌图像进行处理，识别出车牌号码。
3.对该算法进行测试和评估，以验证其在车牌识别方面的有效性和准确性。
本文的研究成果可为车牌识别技术的发展提供一定的参考，同时，该技术的应用也将进一步提升车牌识别的精准度，为现代交通管理的高效、便捷提供了一定的保障。
三、研究内容与方法1.研究内容本文主要研究基于RBF神经网络的车牌识别技术，具体研究内容包括以下方面：1.对车牌提取和处理，获取车牌图像及其信息。
2.对车牌图像进行预处理，包括裁剪、去噪、二值化等操作。
3.建立RBF神经网络，对车牌图像进行识别，获取车牌号码。
4.对算法进行测试和评估，得出算法在车牌识别方面的性能表现。
2.研究方法本研究将采用以下方法：1.收集车牌图像数据集，并通过图形学和计算机视觉方法进行预处理。
- 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)。
第30卷 第7期系统工程与电子技术Vol.30 No.72008年7月Systems Engineering and Electronics J ul.2008文章编号:10012506X (2008)0721241204收稿日期:20070814;修回日期:20071128。
基金项目:国家自然科学基金资助课题(60475024)作者简介:刘澍(1975),男,讲师,博士研究生,主要研究方向为信号处理和人工神经网络。
E 2mail :liushu @基于RBF 神经网络的调制识别刘 澍,王宏远(华中科技大学电信系,湖北武汉430074) 摘 要:针对通信信号这种非稳定的、信噪比(SNR )变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。
仿真实验的结果证明了此方法的有效性和可行性。
关键词:遗传算法;径向基神经网络;特征矢量;调制识别中图分类号:TN 18 文献标志码:AModulation recognition of commu nication signals b ased on RBF neural netw orksL IU Shu ,WAN G Hong 2yuan(Dept.of Elect ronics and Inf ormation ,H uaz hong Univ.of Science and Technology ,W uhan 430074,China ) Abstract :This paper mainly proposes an algorit hm wit h which to implement the optimal classifier of RBF neural networks wit h genetic algorit hms and to classify t he modulation types of communication signals automati 2cally.The met hod is according to t he p urpose of classification ,using t he advantages of bot h t he non 2linearity and adaptiveness of RBF neural networks ,and combining wit h the algorit hms of good classifier performance and robust ness.Genetic algorit hm has t he characteristics of global convergence and heuristic learning wit h disadvan 2tage of slow convergence rate.The gradient operator is used to t he genetic algorithm for speeding up t he conver 2gence rate.It overcomes t he drawbacks of t he general classifier of neural networks.Test shows t hat t he propose met hod has good performance.K eyw ords :genetic algorithm ;RBF neural network ;characteristic vector ;modulation recognition0 引 言 通信信号的调制识别是软件无线电的关键技术之一,如何采用自动识别技术来鉴别通信信号的调制类型,具有很大的灵活性和适应能力,在军事领域也有重要的应用前景。
近年来信号调制识别的方法[1]层出不穷,一般分两步走,第一步是信号特征的提取,典型的方法有基于时域、频域与功率谱特征的方法,基于小波理论的方法,基于分形理论的方法等;第二步是根据特征分类,典型的方法有:直接分类法,支持向量机分类技术,神经网络分类技术等[2]。
本文采用遗传算法(genetic algorithm ,GA )[3]训练与优化的径向基函数神经网络(radial based f unction ,RBF )[4]作为各种调制信号的特征分类器。
RBF 神经网络以其简单的网络结构、快速的学习方法、较好的推广能力,已经广泛地应用于许多领域,特别是模式识别和函数逼近等领域。
然而,如何有效地确定RBF 神经网络的网络结构和参数,至今没有系统的规律可循。
在RBF 神经网络中需要确定的参数包括隐含层节点数、隐含层基函数的中心值和宽度、隐含层到输出层的连接权值。
目前,隐含层节点数主要依靠经验来选取。
而隐含层基函数中心值的选取对网络的函数逼近能力有很大的影响,目前最常用的确定隐含层中心值的方法是K 2均值聚类法,中心值的确定是从输入样本中选取。
往往由于样本数量少或其值不能较好地反映系统输入输出关系等因素,而降低网络的最佳逼近性能。
本文所采用的方法是利用遗传算法优化选取隐含层节点数,中心值、平移因子及连接权值。
遗传算法是一种基于自然遗传学和计算机科学的新型优化方法。
其综合了适者生存、遗传信息的结构性及随机性交换的生物进化特点,使满足目标的决策获得最大的生存可能。
它利用对问题的编码集进行操作而不是变量本身,因而具有广泛的实用性。
同时,它又是在 ·1242 ·系统工程与电子技术第30卷 一群点上的搜索最优解而不是从单一点上进行搜索,因而能同时获得许多峰值,大大地增强了全局的收敛性,保证了解的全局最优性。
本文将遗传算法和RBF 神经网络结合起来[5],发扬RBF 神经网络的广泛映射能力和遗传算法的全局收敛等特点,避免神经网络易于陷入局部极小点的问题。
利用遗传算法训练RBF 神经网络的结构与参数,用训练好的神经网络识别各种调制信号的特征矢量。
1 RBF 神经网络分类器的结构调制方式识别主要由以下几个步骤完成:信号采样与预处理、特征提取、分类识别,如图1所示。
本文以RBF 神经网络作为分类识别器,RBF 神经网络是一种特殊的3层前馈网络,它通过非线性基函数的线性组合实现映射关系。
RBF 网络一般包括输入层、隐含层和输出层。
从输入层到隐含层的变换是非线性的,而从隐含层到输出层的变换是线性的。
隐含层采用径向基函数作为传输函数,通常采用高斯函数。
假定输入样本为x ,则隐含层第i 个单元的输出为图1 RBF 神经网络分类器R i =exp {-|x -μi |2/2σ2i },i =1,2,…,K(1)式中,K 为隐含层单元的个数,μi 为基函数的中心,σi 是第i 个隐含层单元的高斯函数的宽度,则相应的输出层节点的输出为Y j =∑Ki =1W ijR i (x ),j =1,2,…,N (2)式中,W ij 是第i 个隐含层节点到第j 个输出层节点的权值,输出节点共N 个,Y j 是第j 个输出节点的输出。
本文中,网络结构与参数的训练过程作如下安排:基函数的中心μi 、第i 个隐含层单元的高斯函数的宽度σi 、从隐含层到输出层的变换权值W ij 通过遗传算法优化获得。
2 遗传算法介绍遗传算法(GA )有三种基本算子:选择、交叉和变异,称为遗传操作。
GA 空间中的个体就是染色体,个体的构成要素为遗传基因,个体上遗传基因所在的位置称为基因座,一组个体的集合称为种群。
个体对环境的适应能力评价用适应度表示,适应度大的个体是优质个体,它是种群中个体生存机会选择的唯一确定性指标,它决定了种群的进化行为。
GA 的基本步骤[6]一般包括以下几部分。
步骤1 确定编码方式,将待求解参数进行编码,形成染色体。
步骤2 根据具体问题,确定寻优的目标函数,并转换为相应的适应值函数。
步骤3 产生初始种群,并计算种群中个体的适应值,依据适应值大小进行复制、交叉和变异操作,从而形成新的个体。
步骤4 计算新个体的适应值,并依据一定准则选择产生新种群。
步骤5 收敛性的判定,收敛性判定的方式有多种,如根据适配值大小判断,根据遗传代数判断,或根据亲代与后代差异大小判断,即可以单独使用,也可同时使用。
3 基于遗传算法的RBF 神经网络优化实现连续RBF 神经网络的表示如下f (x )=∑Ki =1w iexp|x -μi |2σ2i+ g (3)式中,w i 、μi 和σi 分别为权重因子、平移因子和伸缩因子,K 表示隐含层的个数,输入为x ,输出为f (x ),引入 g 为f (x )的均值估计。
神经网络的优化问题可以描述为:网络训练的样本对为(x j ,y j ),y j =f (x j )+n j ,j =1,2,…,N ,n j 为噪声,N 表示信号采样点个数,求使误差函数EE =12∑N j =1(yj-f ^(x j))2(4)最小,满足精度要求的K 值和相应的网络参数,y j 为期望输出,f ^(x j )为实际输出。
3.1 多值编码方式采用GA 优化RBF 神经网络时,一个关键的问题是首先要对优化的网络参数和结构进行编码。
GA 的编码方式最初多采用二进制编码,但当优化问题较复杂,优化参数较多的情况下,一般要采用实值编码。
为了同时优化网络的结构与参数,适应具体的问题,在本文设计的算法中,采用二进制与实值编码共存的多值编码方式。
GA 的一个染色体对应一个待求解问题的解。
本算法把每个染色体分为四段,第一段到第三段构成RBF 神经网络的参数基因段,基因位采用实值编码,分别对应所有隐含单元的平移因子μk 、伸缩因子σk (k =1,2,…,K )和权值W ij 。
而染色体的第四段为结构基因段,代表RBF 神经网络的结构,采用二进制编码,表示该隐含层单元的有效性,0表示无效,1表示有效。
构成染色体时,可根据经验确定一个较大的K 值。
由于采用混合编码方式,因此在进行遗传操作时也要分别采用两种操作。
表示RBF 神经网络参数和结构的一个染色体由图2所示。
[μ1,μ2,...,μK ,σ1,σ2,...,σk ,w 11,w 12,...,w KN ,1,1, (1)图2 多值编码的染色体结构 第7期刘澍等:基于RBF 神经网络的调制识别·1243 · 3.2 适应度函数适应度函数的定义将对遗传算法有全局性的影响[7],是算法成功求得全局极值的关键之一。