1) Gaussian potential function networks (GPFN)
高斯基函数神经网络
2) basis function neural network
基函数神经网络
1.
This paper describes a new model of designing intrusion detection system based on basis function neural networks,which contains different and orthogonal active function,simulates biology neural system on higher level.
提出一种新型的基函数神经网络用于入侵检测技术中,其中每个神经元的活跃函数各不相同,彼此正交,在更高层次上完成对生物神经系统的模拟,它即可以用于异常检测以检测出新的攻击,也可以用于误用检测以检测出已恬的攻击及其变种。
3) Gauss series neural network
高斯级数神经网络
4) RBFNN
径向基函数神经网络
1.
Radial Basis Function Neural Network Based on EMG - Model(EMG -RBFNN) is constructed, then a two -phase genetic algorithm (GA)-training structure and evolving parameter is used to train EMG -RBFNN so that it has the ability of reconstructed structure.
方法 :构造了以修正高斯模型 (EMG)为基函数的径向基函数神经网络 (EMG-RBFNN) ,在网络学习算法中提出采用基于共享小生境技术的约束最优保留两阶段遗传算法 :结构学习和参数最速梯度下降进化 ,从而使EMG-RBFNN具有结构学习能力 ,使该神经网络能够适应组分数未知的色谱重叠峰解析。
2.
Furthermore,radial basis function neural network(RBFNN) is applied to PD pattern recognition according to the disadvantages of RBFNN.
采用了一种Δu模式参量作为局部放电的图谱特征,并采用不变矩作为放电特征;同时,采用了径向基函数神经网络(RBFNN)对局部放电Δu模式参量构成的图谱特征进行识别。
3.
An approach,which combines radial basis function Neural Network(RBFNN) with self-learning and self-adaptive characteristics with the traditional PID control,is proposed for the tracking control of electro-hydraulic position servo systems with the uncertainties of parameters.
仿真研究表明,利用基于径向基函数神经网络的PID控制能使电液位置伺服系统获得令人满意的跟踪特性和快速响应特性。
5) radial basis function network
径向基函数神经网络
1.
Two-stage partial least squares regression for constructing radial basis function networks;
基于分级偏最小二乘回归的径向基函数神经网络
2.
Aiming at the large inertial time-delay characteristic of the fresh steam temperature variations in thermal power plants, a novel PID control strategy with radial basis function network tuning based on chaotic and genetic algorithm was proposed.
针对火电厂主汽温控制系统具有大惯性、大迟延等特性,提出一种基于混沌遗传算法的径向基函数神经网络整定PID参数的控制策略。
6) RBF neural network
径向基函数神经网络
1.
Optimization control of a distillation column based on the RBF neural network and NLJ algorithm;
基于径向基函数神经网络和NLJ优化算法的精馏塔控制
2.
Features Recognitioning of 2-D Part Drawing Based on RBF Neural Network;
基于径向基函数神经网络的二维零件图特征识别
3.
Chaos control of Lorenz system via RBF neural network sliding mode controller;
基于径向基函数神经网络的Lorenz混沌系统滑模控制
补充资料：高斯函数模拟斯莱特函数
尽管斯莱特函数作为基函数在原子和分子的自洽场（SCF）计算中表现良好，但在较大分子的SCF计算中，多中心双电子积分计算极为复杂和耗时。使用高斯函数(GTO)则可使计算大大简化,但高斯函数远不如斯莱特函数(STO)更接近原子轨道的真实图象。为了兼具两者之优点，避两者之短,考虑到高斯函数是完备函数集合,可将STO向GTO展开：
式中X(ζS,A,nS,l,m)定义为在核A上，轨道指数为ζS，量子数为nS、l、m 的STO；g是GTO：
其变量与STO有相似的定义；Ngi是归一化常数：
rA是空间点相对于核A的距离;ci是组合系数；K是用以模拟STO的GTO个数（理论上，K→∞，但实践证明K只要取几个，便有很好的精确度）。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS＝1 时固定K值的ci和(i＝1,2,...,K)，然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数，而且，ci不依赖于ζS,因而ζS＝1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
式中X(ζS,A,nS,l,m)定义为在核A上，轨道指数为ζS，量子数为nS、l、m 的STO；g是GTO：
其变量与STO有相似的定义；Ngi是归一化常数：
rA是空间点相对于核A的距离;ci是组合系数；K是用以模拟STO的GTO个数（理论上，K→∞，但实践证明K只要取几个，便有很好的精确度）。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS＝1 时固定K值的ci和(i＝1,2,...,K)，然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数，而且，ci不依赖于ζS,因而ζS＝1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条