群體智能算法在RBF神經(jīng)網(wǎng)絡(luò)中的應(yīng)用.pdf

1、RBFNN以其簡單的結(jié)構(gòu)、快速的訓(xùn)練過程和良好的推廣能力等諸多優(yōu)點已在許多應(yīng)用領(lǐng)域取得了成功，特別在模式識別和函數(shù)逼近方面。在RBF神經(jīng)網(wǎng)絡(luò)中，隱單元的位置和相應(yīng)寬度值的選擇是整個網(wǎng)絡(luò)性能優(yōu)劣的關(guān)鍵，直接影響網(wǎng)絡(luò)的逼近能力。本文在研究了幾種典型的RBFNN結(jié)構(gòu)優(yōu)化算法的基礎(chǔ)上，主要研究了幾種群體智能算法，用于對RBFNN隱單元的位置和相應(yīng)寬度值的優(yōu)化。 群體智能優(yōu)化算法在解決復(fù)雜優(yōu)化問題方面的優(yōu)勢，使之逐漸顯示出廣泛的用途和強大

2、的生命力。本論文重點研究了細菌群體趨藥性(Bacterial Colony Chemotaxis，BCC)優(yōu)化算法、粒子群算法(particle swarm optimization，PSO)以及人工魚群算法(artificial fish-swarm)。分別將這幾種群體智能算法做出相應(yīng)的改進與調(diào)整，使之適用于RBF神經(jīng)網(wǎng)絡(luò)(RBFNN)的訓(xùn)練，在算法在搜索全局最小點的過程中，力求使RBFNN泛化誤差最小化的同時，隱單元位置和相應(yīng)的寬度

3、值也同時得到優(yōu)化。本文在BCC算法中引入梯度下降法，并提出一種新的細菌編碼方式，注重提高算法速度：在PSO算法訓(xùn)練RBFNN的過程中，利用擴展RPCL聚類方法確定粒子個數(shù)，并引入基于全局信息反饋的重新初始化機制保持粒子的活性，取得不錯的實驗效果；在人工魚群算法的基礎(chǔ)上提出微人工魚群算法，本算法減少了尋優(yōu)魚群的數(shù)量，提高了算法的速度，同時提高了人工魚群的活力，并由此增強了RBFNN的泛化能力。本文最后將這幾種群體智能算法優(yōu)化的RBFNN用