[一种改进pso优化rbf神经网络的新方法

《[一种改进pso优化rbf神经网络的新方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一种改进PSO优化RBF神经网络的新方法段其昌,赵敏(重庆大学自动化学院，重庆，400044)摘要：为了克服神经网络模型结构和参数难以设置的缺点，提出了一种改进粒子群优化的径向基函数（RBF）神经网络的新方法。该方法首先将最近邻聚类用于RBF神经网络隐层中心向量的确定，其次引入适应度值择优选取的原则对基本粒子群算法进行改进，采用改进粒子群（IMPSO）算法对最近邻聚类的聚类半径进行优化，合理的确定了RBF神经网络的隐层结构。将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测，经实验仿真验证，与基本粒子群(PSO)算法，收缩因子粒子群(CFAPSO)算法优化的RBF神经网络

2、相比较，其在识别精度和收敛速度上都有了显著的提高。关键词：粒子群；径向基函数神经网络；最近邻聚类；收缩因子；中图分类号：TP183文献标识码：AAnovelradialbasisfunctionneuralnetworkmethodbasedonimprovedparticleswarmoptimizationDUANQi-chang,ZHAOMin(1.CollegeofAutomation,ChongQingUniversity,Chongqing,400044)Abstract:Topreventtheproblemwhichstructureandparametersofneural

3、networkarehardtobetuned,anovelradialbasisfunction(RBF)neuralnetworkmethodbasedonimprovedparticleswarmoptimization(IMPSO)isproposed.Intheproposedmethod,firstly,NearestneighborclusteralgorithmisutilizedtoRBFneuralnetwork,secondly,animprovedparticleswarmoptimization(PSO)whichsynthesizestheexistingmode

4、lsofPSO,Halfofthepoorfitnessparticlesareupdatedbytheotherhalftogoodfitnessparticlesandtheparticlesfocusontheoptimumspace.ClusterdistancefactorsearchedbytheimprovedPSOforradialbasisfunction(RBF)neuralnetwork,andunitsinRBFlayerisdetermined.Thenewtrainingalgorithmisusedtoapproximatepolynominalfunction

5、andpredictchaotictimeseries,comparedwithPSO,andCFAPSO,thealgorithmimprovethevelocityofconvergence,andhasmuchgreateraccuracy.Keywords:particleswarmoptimization;radialbasisfunctionneuralnetwork;nearestneighborclusteralgorithm;constrictionfactor1引言RBF神经网络[1]是一种采用局部接受域来执行函数映射的人工神经网络。训练RBF神经网络的关键问题就是要确定

6、合适的隐层基函数的个数，径向基函数的中心向量和宽度。如果隐层基函数的个数过多，则网络训练与测试时间过长，易产生过拟合，导致网络的泛化能力下降。反之，隐层基函数的个数过少，将导致网络的收敛误差较大。一般采用k-means聚类算法来确定径向基隐层基函数的个数和中心向量[2]，但其依赖初始中心的选择，只能获得局部最优解。遗传算法也被用于确定径向基隐层基函数中心，宽度[3-5]，但需要调节的参数较多，花费的训练时间较长。粒子群算法[6]是基于群体智能理论的优化算法，通过粒子间的合作与竞争的群体智能理论的优化搜索，它可以记忆所有粒子都共享的迄今为止问题的最优解。PSO的优势在于简单且容易实现。但基本P

7、SO的参数是固定的，在对某些函数优化上的精度较差，且有收敛速度慢、易陷入局部极小以及早熟收敛的缺点。因此，本文提出了结合惯性权重模型和收敛因子模型，引入适应度择优选取的改进粒子群算法。RBF网络的设计采用最近邻聚类算法对输入样本数据进行聚类，聚类个数即为RBF神经网络隐层基函数的个数，各聚类均值即为基函数的中心向量。通过上述改进粒子群算法优化最近邻聚类算法的聚类半径，从而确定最优的RBF隐层基函数的个数和中心