徑向基函數(shù)神經(jīng)網(wǎng)絡的優(yōu)化研究.pdf

1、隨著互聯(lián)網(wǎng)和信息化技術的不斷發(fā)展，企業(yè)及其他各種組織積累了大量的數(shù)據(jù)，人們面臨著從大量不同類型、不同來源的數(shù)據(jù)中獲取有用知識的問題。數(shù)據(jù)挖掘技術融合了人工智能、數(shù)據(jù)庫技術等多門學科，通過數(shù)據(jù)挖掘技術的應用，數(shù)據(jù)中很多潛在的有用信息能夠被發(fā)現(xiàn)并且應用于社會生產(chǎn)決策之中。
　　徑向基函數(shù)神經(jīng)網(wǎng)絡是一類應用非常廣泛的人工神經(jīng)網(wǎng)絡，學習速度快，能夠無限地逼近任意非線性函數(shù)，但是網(wǎng)絡結構不易確定，因此本文使用其他的智能算法并借助算法的優(yōu)點改

2、善神經(jīng)網(wǎng)絡中的缺陷，提高網(wǎng)絡能力。本文將蟻群聚類算法和粒子群算法與徑向基函數(shù)神經(jīng)網(wǎng)絡依次相結合，從神經(jīng)網(wǎng)絡結構初始化和結構優(yōu)化兩個方面對算法進行改進，以達到提升算法性能的目的。
　　首先，使用蟻群聚類算法將參與網(wǎng)絡訓練的樣本數(shù)據(jù)聚類，獲取子集的個數(shù)和中心點，然后通過相應計算獲取網(wǎng)絡相關的參數(shù)信息，獲取神經(jīng)網(wǎng)絡的初始結構。本文使用LF蟻群聚類算法，針對算法的不足對算法進行了改進，提高了聚類的運行速度和精度，使用鳶尾花集合對改進后的L

3、F算法進行實驗對比。
　　其次，使用粒子群算法對神經(jīng)網(wǎng)絡結構進行優(yōu)化，以獲取更加準確的結構數(shù)據(jù)，使用多極值的測試數(shù)據(jù)對優(yōu)化后的徑向基函數(shù)神經(jīng)網(wǎng)絡進行實驗對比。另外，針對粒子群算法的不足對算法進行改進，使用混沌干擾、交叉等方法改變粒子特征，使得算法更容易查找到全局最優(yōu)解。
　　最后，將優(yōu)化后的徑向基函數(shù)神經(jīng)網(wǎng)絡應用在網(wǎng)絡流量預測方面，通過數(shù)據(jù)建模、數(shù)據(jù)分析等操作為高校提供網(wǎng)絡流量預測模型。主要介紹了流量預測的過程，包括數(shù)據(jù)準備