一种进化RBF神经网络的模型及其训练算法

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性,在函数似合方法优于传统的BP网络,因此被广泛应用于非线性时间序列分析算法领域。本文针对时间序列中的非平稳数据,结合差分平稳化与分阶遗传的思想,提出一个新的进化RBF神经网络的模型及其训练算法。通过实例分析表明,该方法在处理非平稳时间序列方面具有一定的优越性。     

进化编程优化RBF神经网络的结构和参数

本文利用进化编程（ＦＰ）来同时进化径向基函数神经网络（ＲＢＦＮＮ）的结构和参数。与其它进化神经网络方法有以下四个方面的不同：（１）ＥＰ是基于拉马克的进化学说,强调父代与子代之间的行为联接;（２）进化算子中仅有突变,而没有交叉,以消除互换问题;（３）突变操作中,删除总是先于添加进行,以获得最简的网络结构;（４）利用测试样本集构造适应度函数,以提高网络的泛化能力。用进化ＲＢＦＮＮ来预测Ｍａｃｋｅｙ－Ｇ     

基于差分进化优化RBF网络的小电流接地多判据选线方法

本文采用RBF网络为基础构建小电流接地系统的选线模型。通过种群更新机制、进化参数自适应等方法提高差分进化算法(DE)的训练能力,进而应用DE优化RBF网络参数。采用ATP仿真软件建立小电流接地配电系统的仿真模型,采样不同故障条件下的零序电流信号,提取稳态和暂态的多种故障特征分量输入优化好的RBF神经网络,结果表明经过DE训练的RBF网络收敛速度快,输出误差小,选线正确率高于传统RBF神经网络,且不受各种故障条件的影响。     

基于RBF网络和AR模型的网络时延预测

分析了网络传输时延的组成和特点，提出了利用AR模型和RBF神经网络预测网络传输时1延，运用Matlab软件对其预测进行仿真．结果证明AR模型和RBF神经网络都能很好的预测网络时延，通过对比仿真结果分析，得出各自进行时延预测的适用条件。     

RBF网学习的进化优选算法

讨论了用正交最小二乘算法训练ＲＢＦ网的不足之处,然后引入了选择路径的概念,在此基础上,提出了ＲＢＦ网隐层节点选取的进化优选算法,仿真结果表明,在不同的精度要求下,用进化优选算法均能设计出比正交最小二乘算法更小的ＲＢＦ网。     

RBF神经网络参数估计的两种混合优化算法

基于全局搜索的进化算法和一种局部搜索算法--结构化的非线性参数优化方法(SNPOM),提出两种混合的优化算法来估计RBF神经网络中的参数:1)初始化一定数目的种群作为SNPOM的初始值得到其适应值,通过选择、交叉和替换策略来更新种群;2)采用进化算法运行一定的代数,从最终群体中选取一些个体进一步用SNPOM来优化.这两种混合优化算法的本质是用进化算法为SNPOM搜寻最优初始值,以得到全局最优解.仿真实验结果表明,该混合算法比单独使用进化算法或SNPOM更优,且优于其他一些算法.     

全局优化RBF网络的一种新算法

神经网络的输入变量、隐含层结点以及中心的选择对模型的性能都有重大的影响,以前的研究一般只考虑优化网络的参数或其结点数。为解决这个问题,提出了一种新的全局优化算法来自动选择RBF神经网络的输入变量和结点数目,并同时优化其参数。在提出的算法中,RBF网络的结点数目、输入变量的选择和参数都采用二进制编码,并用遗传算法来优化。为提高算法的性能和收敛速度,在遗传算法优化的同时引入了一种高性能的基于梯度的局部搜索算子(结构化的非线性参数优化方法)来优化RBF网络中的参数。Box-Jenkins煤气炉标准时间序列的预测问题被用来检验算法的性能。实验结果表明,提出的算法可以得到非常"紧凑"的RBF网络,且其性能优于其他一些算法。     

用进化RBF神经网络控制Lorenz混沌

对镇定一嵌入在Lorenz混沌吸引子内的不稳定平衡点上的混沌轨道提出了一种利用进化RBF网控制混沌系统的新方法,采用了基于两层编码改进进化规划（IEP）的RBF网学习算法,要以同时确定网络的拓扑结构和参数,仿真结果表明本文控制Lorenz混沌响应速度快,控制精度高。     

RBF网络的微分进化正交最小二乘算法

研究用于径向基函数（RBF）网络训练的一种微分进化正交最小二乘（DEOLS）算法。把微分进化（DE）算法的种群作为正交最小二乘（OLS）算法的候选径向基函数集合,利用OLS对DE的种群个体进行评断,以确定RBF网络的隐结点的数目、中心和宽度。该算法融合了DE的强大搜索能力和OLS的高效评断能力,隐结点的选择比OLS要合理,同时避免DE的复杂性。最后使用实验验证了该算法的优越性。     

一种基于RBF神经网络的预测器模型及其研究

非线性复杂系统的预测控制是一种高性能的控制方法,其关键在于非线性预测器模型的实现。论文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于神经网络的预测模型设计方法,并将此方法用于实际非线性系统的预测控制。结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好的应用。     

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。     

基于多进化神经网络的信用评估模型研究

客户信用评佑对于银行的经营管理有着重要的意义,为此提出了一种基于多进化神经网络的信用评估模型(MNN-CREDIT)。该模型基于客户信货数据,利用基于聚类的小生境遗传算法并行地训练出多个精度高、差异性大的三层前馈神经网络,然后将待识别的客户数据分别输入,最后根据动态投票法集成最终信用预测结果。利用德国信用数据库真实数据集进行了实证分析,结果表明,基于多进化神经网络的信用评估模型具有较高的预测精度。     

基于蚂蚁算法的RBF网络参数的两阶段优化

提出了一种径向基函数(RBF)网络中心参数仿生优化算法,该算法基于改进的蚂蚁算法分两阶段完成。第一阶段为:首先进行网络参数范围估算,然后根据一定的步长对网络参数区间取离散点,最后蚂蚁根据在各个离散点的信息素的多少来选择路径,从而进行网络参数优化。第二阶段为:利用第一阶段的结果进行局部区间扩张,从而进行进一步优化。用蚂蚁算法优化后的网络对典型的混沌时间序列进行预测,结果表明其预测的各项误差低于常规的优化方法。     

基于隐层优化的RBF神经网络预测模型

提出一种基于隐层优化算法的RBF神经网络预测模型——HLOA-IRBFM。在传统的免疫径向基神经网络模型(IRBFNM)的基础上引入粗糙集,将初始隐层空间进行划分。定义隐层区域密度和相对近似度等概念,提出边界区域中冗余点和孤立点的约减算法。优化后的隐层空间分布均匀,能以较少的中心数覆盖整个样本空间,弥补了IRBFNM模型过分依赖参数选取的不足。实验结果证明,HLOA-IRBFM模型比IRBFNM模型在预测性能方面具有更好的稳定性和准确性。     

基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.     

一种径向基函数神经网络的参数求解方法

为了求解径向基函数神经网络的权值,首先分析了传统基于训练误差的方法,发现该方法容易造成数据过拟合,原因在于训练误差是风险函数的下偏估计;因此,文中提出采用缺一交叉验证得分代替训练误差,来实现无偏估计风险函数;实验对摩托数据与玻璃数据进行拟合,证实了基于缺一交叉验证的方法优于传统基于训练误差的方法,且所得到的径向基函数网络能够较光滑地拟合数据,不会造成过拟合.     

高斯混合模型参数估值算法的优化

EM算法是高斯混合模型参数估值的常用方法,该算法有局部收敛的特性,易造成模型的参数估计对于初值较为敏感,往往得到一个局部的最优值.为了对EM算法进行优化,文中将具有全局寻优和并行搜索特性的遗传算法与EM算法相结合,对其加以改进,并用到语音转换过程之中,最后通过仿真实验分析了算法的性能,结果表明使用优化算法得出的高斯混合模型所转换出来的语音,相对于传统EM估计算法得出的高斯混合模型所转换出来的语音,具有较小的失真测度值,证明使用该优化算法能够改善转换后的语音质量.     

基于混合粒子群算法的RBF神经网络参数优化

针对径向基函数（RBF）神经网络中心参数的优化问题,提出了一种混合粒子群优化算法。该算法应用灰色关联理论定义了粒子群的灰色相似度,分两个阶段对标准的粒子群优化算法（PSO）的全局和局部搜索能力做了改进和提高。在仿真实验中,应用该方法对典型的Mackey-Glass混沌时间序列进行了预测。并与标准的K均值算法、遗传算法和粒子群算法进行了比较,其结果表明,所预测的各项误差均低于其他常规算法的预测结果。     

基于径向基函数神经网络的特征识别技术研究

特征表示和识别效率是基于神经网络特征识别技术所面临的基本问题。在研究特征拓扑结构信息的基础上，提出一种应用特征构成面及其邻接边信息构成特征编码的特征表示模型，并在此基础上，提出基于径向基函数神经网络的特征识别方法。最后，应用此方法实现了对典型加工特征的识别。