Artificial Intelligence - هوش مصنوعی - شبکه عصبيRadial Basis Function (RBF

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)

- شبکه های عصبی (Neural Networks) (http://artificial.ir/intelligence/forum10.html)

- - شبکه عصبيRadial Basis Function (RBF (http://artificial.ir/intelligence/thread1523.html)

شبکه عصبيRadial Basis Function (RBF

salam man matalebi rajebe shabake asabi RBF niyaz dashtam agar kasi lotf kone motshakeram

سلام مطالبي جامع در اين مورد در دست نيست اما چند پايانامه در حال انجامه كه براتون مشخصاتش رو ميل كردم

اين مطالب شايد به دردت بخوره:
آموزش بدون نظارت شبكه عصبي rbf به وسيله الگوريتم ژنتيک
کار برد شبکه های عصبی در پردازش سریهای زمانی

اين هم اسلايد آموزشي شبکه عصبي RBF
:53::69:
NEURAL NETWORK Radial Basis Function

az in ke komakam kardid motshakeram

Radial Basis Function Networks

سايتهاي مفيد در اين زمينه:

كد:

http://anc.ed.ac.uk/rbf/rbf.html



http://recherche.ircam.fr/equipes/analyse-synthese/roebel/paper/nips96/node3.html



http://documents.wolfram.com/applications/neuralnetworks/NeuralNetworkTheory/2.5.2.html

و اين هم يک مقاله جالب مرتبط:
بهينه سازي شبكه هاي عصبي rbf براي بازشناسي چهره

شبكه هاي rbf آشوبگونه جهت مدل سازي ديناميك سري هاي زماني آشوبي

اين مقاله يك الگوريتم تازه جهت تنظيم ساختار شبكه هاي rbf ، ارائه مي دهد. ثابت شده كه اين شبكه ها ، قابليت تقريب عمومي دارند. به همين دليل اين امكان وجود دارد كه بتوان از آن ها در شناسايي سيستم هاي آشوبگونه هم استفاده كرد. البته در مواقعي كه با سيستم هايي مثل سيستم هاي بيولوژيك كه فرمول هاي رياضي و تعداد كل متغيرهايشان به درستي شناخته شده نيست ، سروكار داريم ، تنظيم شبكه هاي عصبي با مشكل مواجه شده و جاي بحث دارد. در اين مقاله ديناميك هاي آشوبگونه در قالب شبكه هاي rbf بيان مي شوند. مي توان ديد كه اين شبكه ها قادرند فضا را به نحوي افراز كنند كه هر قسمت از ديناميك مورد نظر به وسيله يك تابع پايه قابل بيان باشد. با توجه به اين كه جذب كننده سيستم هاي آشوبگونه يك شي فراكتال است ، مي توان از فرآيند مقياس كردن فراكتال براي افراز جذب كننده هاي عجيب به ساختارهايي مشابه خود استفاده كرده و بر طبق آن تعداد متغيرهاي ورودي ، توابع پايه و پارامترهاي مقياس را تعيين نمود. در اين مقاله يك روش جهت پيش بيني و مدلسازي سري هاي زماني آشوبگونه ، ارائه شده است.

مقايسه عملكرد شبكه هاي عصبي mlp و rbf در برآورد تبخير و تعرق گياه مرجع

Introduction of the Radial Basis Function (RBF) Networks

Application of a radial basis function neural network for diagnosis of diabetes mellitus

Radial Basis Function Neural Network Based Directional Over current Relay

خلاصه مقاله::38::53:

A neural network based on Radial Basis Function (RBF) for the protection of over current relay is presented in this paper. The proposed model is off line tested using different simulation equations for over current and voltage under fault conditions to evaluate the performance of the proposed method in terms of accuracy and speed. The proposed ANN based directional over current relay shows promising dependability, security and speed of operation.

كلمات كليدي:

ANN, Radial Basis Function Neural Network, Directional Over current Relay, Protection.

استفاده از روش بدون شبكه rbf در برآورد ميزان تراوش سدهاي خاكي مطالعه موردي: سد ستارخان
:38::6:

خلاصه مقاله:

در اين مقاله براي برآورد ميزان تراوش سد ستارخان، از روش rbf استفاده شده است. برآورد ميزان تراوش از طريق محاسبه پتانسيل آبي نقاط مختلف صورت مي گيرد كه از معادلات لاپلاس پيروي مي كنند. روش ريالإّ براي مدلسازي اين معادلات مي باشد. روش حل بدون شبكه بندي بوده و امكان افزايش تعداد نقاط انتخابي در نواحي از بدنه سد كه از حيث تراوش داراي حساسيت بيشتري مي باشد وجود دارد. نتايج مدلسازي با روش rbf حاكي از آن است كه در مقايسه با روش تفاضلات محدود، اين روش از درصد دقت خوبي برخوردار بوده و حجم محاسبات كمتر خواهد بود.

كلمات كليدي:

Rbf، ميزان تراوش، روش بدون شبكه، حلpde

Radial Basis Function Neural Network Tutorial