基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

基于PSO-RBF无线传感器网络入侵检测技术研究

针对无线传感器网络自身特性,提出了基于粒子群优化(PSO)径向基函数(RBF)神经网络的轻量级入侵检测方案,该方案结合PSO算法与RBF神经网络分别在全局搜索和局部搜索的优势,使用PSO优化RBF的中心、宽度及权值.仿真实验表明:基于PSO-RBF的入侵检测算法可以有效、可靠地运用于无线传感器入侵检测系统中.     

一种改进PSO优化RBF神经网络的新方法

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.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对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(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

一种改进的RBF神经网络学习算法

提出一种基于减聚类、K-means算法及改进的粒子群优化(PSO)算法的径向基函数(RBF)神经网络混合学习算法. 该算法首先使用减聚类确定隐层节点数和K-means初始聚类中心; 然后通过K-means算法求取RBF网络所有参数, 作为PSO的初始粒子群; 为了提高PSO算法的收敛性和稳定性, 对基本PSO算法进行了优化改进, 最后使用改进的PSO算法训练RBF神经网络中的所有参数. 对IRIS数据集分类识别的仿真结果表明, 改进的混合算法具有更高的分类准确率和更好的稳定性.     

一种应用ARPSO优化RBF神经网络的方法

针对径向基函数神经网络参数难以设置以及因此而导致的网络隐层结构不明朗的问题,提出了一种应用控制种群多样性的微粒群（ ARPSO）优化径向基函数神经网络（ RBF）的方法。通过引入“吸引”和“扩散”因子对基本微粒群算法进行改进,并将改进的微粒群算法用于RBF聚类半径的优化,进而能够合理地确定RBF的隐层结构。将用ARPSO优化的RBF神经网络应用于非线性函数逼近,经实验仿真验证,与基本微粒群（ PSO）算法、收缩因子微粒群（ CFA PSO）算法优化的RBF神经网络相比较,在收敛速度和识别精度上有了显著的提高。     

径向基函数神经网络的一种构造算法

提出了径向基函数(RBF)神经网络参数的一种新的学习算法——分类优化迭代算法。在此基础上,设计了RBF网络的一种构造算法。仿真结果表明了本文方法的有效性。     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数(RBF)神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明:基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

粒子群优化RBF神经网络的短时交通流量预测

根据交通流量数据具有非周期性、非线性和随机性等特点,为了更准确地对交通流量进行预测,实现交通智能控制和规划是主要问题.交通流量预测中存在容易陷入局部极小值、收敛速度慢,泛化能力差等问题,影响了交通流量预测的实用性和准确性.提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法.利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对短时交通流量进行仿真预测,仿真结果表明,PSO算法优化的RBF神经网络具有较高的预测精度,比RBF预测模型精度高、收敛快.PSO算法优化的RBF神经网络,适用于短时交通流量预测,预测精度较高,具有推广应用价值.     

PSO算法和神经网络的入侵检测系统设计

针对入侵检测系统检测率低,整体性能不好的问题,在探讨入侵检测技术和人工神经网络理论的基础上,提出了一种基于PSO算法优化的径向基函数神经网络的入侵检测系统,采用具有全局寻优的功能PSO算法,该算法能够改进传统的RBF神经网络学习策略,弥补RBF神经网络参数设置的不足,采用了来自KDD CUP99的权威数据来进行网络学习和测试,在此基础之上,进行了入侵检测系统的设计与实现,实验结果表明,基于PSO和RBF神经网络的人侵检测系统有效地提高了入侵检测的效率.     

运用PSO算法的自递归RBF网络建模与应用

普通三层RBF网络已经是一种较好的神经网络，为了进一步提高RBF网络的性能，在普通三层RBF网络的基础上，构建出一种运用PSO算法的自递归RBF网络。学习算法采用以梯度学习算法配合PSO算法对参数进行调整。与采用动量-梯度学习算法，且为结构为三层的RBF网络相比，提的运用PSO算法的自递归RBF网络可以在神经元较少的情况下，具有更好的泛化能力、鲁棒性和准确性。最后通过仿真实验，对算法的有效性进行了验证。     

基于能耗优化的深海电动机械臂轨迹规划

由于深海电动机械臂动力学模型较为复杂,难以基于动力学模型构建精确的能耗优化目标函数,因此,本文提出一种利用径向基函数（RBF）神经网络构建机械臂功耗模型的方法．首先,利用机械臂水下运动实验数据集训练所构建的RBF神经网络．利用基于该神经网络的功耗模型,结合机械臂关节空间轨迹规划多项式,建立机械臂能耗目标函数．然后,采用自适应粒子群优化（PSO）算法求解最优轨迹参数．结果显示,RBF功耗网络均方根误差（RMSE）为20.89 W;经过优化的轨迹的能耗比实验轨迹的能耗均值降低410.8 J（18.3%）．实验结果表明基于自适应PSO算法的轨迹规划方法实现了能耗优化的目标．     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

卷取温度的智能预测控制

首先介绍标准RBF神经网络并指出存在的问题,然后介绍粒子群算法并将其用于确定RBF网络参数(连接权,隐节点中心和宽度),最后把PSO-RBF应用到卷取温度控制(CTC)中,对卷取温度进行预测。仿真结果表明PSO-RBF具有学习速度快、精度高等优点。     

基于IGWO-RBF的LTE-R切换算法研究

针对高速铁路LTE-R越区切换中,A3事件下的越区切换算法容易出现乒乓效应（PPE）和无线链路连接失败（WLF）的问题,提出了粒子群优化（PSO）灰狼算法改进的RBF神经网络（IGWO-RBF）的越区切换优化算法。该算法采集大量列车以不同速度（0~100 m/s）运行在特定环境中时切换成功率高的切换迟滞门限[(Hys)]和触发延迟时间[(TTT)]参数集,送入改进的RBF神经网络,训练完成后得到不同速度下的[Hys]和[TTT]的拟合曲线。根据列车接收到的参考信号接收质量（RSRQ）,加入自矫正项对[Hys]和[TTT]进行二次优化调整。在matlab上进行仿真实验,结果表明提出的算法减小了掉话率和乒乓切换率,提高了列车在高速环境下的切换成功率及鲁棒性。     

Hyperchaos synchronization using PSO-optimized RBF-based controllers to improve security of communication systems

This paper studies the Lorenz hyperchaos synchronization and its application to improve the security of communication systems. Two methods are proposed to synchronize the general forms of hyperchaotic systems, and their performance in secure communication application is verified. These methods use the radial basis function (RBF)-based neural controllers for this purpose. The first method uses a standard RBF neural controller. Particle swarm optimization (PSO) algorithm is used to derive and optimize the parameters of the RBF controller. In the second method, with the aim of increasing the robustness of the RBF controller, an error integral term is added to the equations of RBF neural network. For this method, the coefficients of the error integral component and the parameters of RBF neural network are also derived and optimized via PSO algorithm. For better comparison, the proposed methods and an optimal PID controller optimized by PSO are applied to the Lorenz hyperchaotic system for secure communication. Simulation results show the effectiveness and superiority of the proposed methods in both performance and robustness in comparison with the PID controller.     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。