[1] 黄建明. 贝叶斯网络在学生成绩预测中的应用[J]. 计算机科学, 2012,39(11):280-282.
[2] 陈益均,殷莉. 基于数据挖掘的学生成绩影响模型的研究[J]. 现代教育技术, 2013,23(1):94-96.
[3] 丁硕,常晓恒,巫庆辉. LMBP和RBF在ECS特性曲线拟合中对比研究[J]. 吉林大学学报(信息科学版), 2013,31(2):203-209.
[4] Ding Shuo, Chang Xiao-heng, Wu Qing-hui. Fault diagnosis of induction motors based on RBF neural network[J]. Applied Mechanics and Materials, 2014,462-463:85-88.
[5] 仝美红,段富. 基于主成分分析和熵值法的高校教师绩效评价[J]. 计算机应用与软件, 2014,31(1):62-64.
[6] 孙健,王成华,洪峰,等. 基于PCA-LVQ的模拟电路故障诊断[J]. 电路与系统学报, 2013,18(2):310-313.
[7] 张宁,任茂文,刘萍. 基于主成分分析和BP神经网络的煤岩界面识别[J]. 工矿自动化, 2013,39(4):55-58.
[8] 孙健,王成华,闫之烨,等. 基于PCA和PNN的模拟电路故障诊断[J]. 微电子学, 2014,44(1):123-126.
[9] 〖JP2〗丁硕,常晓恒,巫庆辉. GRNN与RBFNN的二元函数逼近性能对比研究[J]. 计算机与现代化, 2014(4):92-96.
[10]钱光兴,崔东文. RBF与GRNN神经网络模型在城市需水预测中的应用[J]. 水资源与水工程学报, 2012,23(5):148-152.
[11]刘永,张立毅. BP和RBF神经网络的实现及其性能比较[J]. 电子测量技术, 2007,30(4):77-80.
[12]智会强,牛坤,田亮,等. BP网络和RBF网络在函数逼近领域内的比较[J]. 科技通报, 2005,21(2):193-197.
[13]杨帆,张玉杰,张彩丽. 基于PCA和RBF网络的故障诊断技术及其应用研究[J]. 计算机测量与控制, 2008,16(7):903-905.
[14]丁硕,常晓恒. Gaussian型RBF神经网络的函数逼近仿真研究[J]. 河南科学, 2013,31(9):1383-1386.
[15]Ding Shuo, Chang Xiao-heng. A Matlab-based study on the realization and approximation performance of RBF neural networks[J]. Applied Mechanics and Materials, 2013,325-326:1746-1749.
[16]丁硕,常晓恒,巫庆辉. 基于Gaussian型RBF神经网络的一元函数逼近性能研究[J]. 渤海大学学报(自然科学版), 2013,34(3):300-304.
[17]魏正元,颜克胜,苏盈盈. 基于最大熵NN的教学质量评价模型及仿真[J]. 计算机仿真, 2013,30(5):284-287. |