一种改进PSO优化RBF神经网络的新方法

被引：38

作者：

段其昌 ^{[1
]}

赵敏 ^{[1
]}

王大兴 ^{[2
]}

机构：

[1] 重庆大学自动化学院

[2] 重庆大学电气工程学院

来源：

计算机仿真 | 2009年 / 26卷 / 12期

关键词：

粒子群; 径向基函数神经网络; 最近邻聚类; 收缩因子;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

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。

引用

页码：126 / 129

页数：4