基于共轭梯度下降法的RBF神经网络预测算法

针对当前神经网络预测算法在解决训练样本较多的复杂非线性系统问题时易陷入局部最优、训练时间较长、准确度不高的问题,提出了基于共轭梯度下降法的RBF神经网络预测算法。该算法在传统径向基神经网络的基础上,引入平滑因子对共轭梯度下降法进行优化,并且能够自适应改变三个重要参数的学习率步长。将改进的预测算法应用于已知轮毂应力预测轮扭矩的多输入单输出非线性系统,通过仿真实验得到测试样本预测值与真实值的曲线对比、改进的算法与标准RBF神经网络算法的误差性能曲线对比。仿真实验结果表明,该算法比传统RBF神经网络算法迭代次数更少,收敛速度更快,预测准确度更高。