蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于量子免疫的RBF神经网络在上市公司财务预警中的应用

针对传统的RBF神经网络财务预警模型难以解释变量之间的因果关系,使得训练时间增加、训练精度下降等缺陷,该文提出了一种基于量子免疫的改进的RBF神经网络的财务预警模型.该模型通过改进的量子免疫算法对RBF神经网络的连接权值进行优化,将连接权,隐节点中心以及宽度编码为基因,构成抗体,然后通过遗传迭代使网络参数逐步优化,最终达到最优结果.详细阐述了算法的实现过程以及利用量子免疫算法改进RBF神经网络财务预警模型,然后,分别采用改进RBF神经网络法、传统RBF神经网络法及Logistic回归模型进行实证对比分析,实证证明了改进RBF神经网络模型预警的准确性有较大提高.     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于蚁群神经网络的两级信息融合算法

为了保证地下车库空气质量的同时尽量降低系统能耗,针对地库环境监测系统,提出了一种基于蚁群神经网络的两级数据融合算法TLIFA-ACOBP,该算法将分簇结构与神经网络模型有效结合,设计了一个基于分簇的无线传感器网络两级数据融合模型.首先运用蚁群优化(ACO)算法对BP神经网络的权值进行优化,并将优化后的蚁群神经网络用于无线传感器网络的信息融合.通过对簇成员节点采集到的原始数据进行两级融合处理,只将代表原始数据的少量特征值发送给汇聚节点,大幅度减少节点数据通信量,提高了数据传输效率,同时降低了系统能耗.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

改进型RBF神经网络在系统建模中的应用

提出了一种新的RBF神经网络的设计方法,采用遗传-K均值聚类算法对RBF神经网络的隐层节点中心值进行优选,用遗传算法训练RBF神经网络的权值。以锅炉燃烧为实例,通过从现场采集的数据建立神经网络模型,使用改进的算法建立系统的神经网络模型,结果证明了该方法的有效性。     

RBF神经网络迭加粗糙集的数据挖掘算法探讨

报告了数据挖掘技术及算法的现状,研究了粗糙集理论和RBF神经网络的经典模型,比较分析了二者优缺点,为提高数据挖掘算法的准确性,提出了RBF神经网络迭加粗糙集的数据挖掘算法思想,实验数据验证了利用RBF神经网络优化数据,再利用粗糙集来约束和提取规则,可取得良好的数据挖掘效果。     

基于遗传算法优化的RBF网络在自校正控制中的应用研究

针对RBF神经网络参数难以确定的情况,采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化,用递推最小二乘法训练隐层和输出层之间的权值。给出一种基于优化的RBF神经网络的自校正控制算法,利用神经网络的非线性函数映射能力,使其充当未知系统函数逼近器。仿真结果表明了所给算法的有效性。     

基于RBF的碟式太阳能集热器温度预测研究

影响碟式太阳能集热器出口温度的因素较多,采用传统数学方法模拟较为复杂.利用RBF神经网络建立碟式太阳能集热器出口温度预测模型,为提高RBF的预测精度和学习效率,采用最近邻聚类算法选取基函数的中心,应用实际数据进行网络训练,网络预测结果较为准确.将本算法与传统的RBF神经网络进行仿真预测对比,本算法的结果和算法学习效率都要好于传统的RBF神经网络,验证了该算法的可行性和有效性.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于改进的RBF神经网络的配电网故障诊断模型

结合梯度下降算法和进化算法对RBF神经网络进行改进,建立了基于改进的RBF神经网络的配电网故障诊断模型.配电网故障诊断实例表明,基于改进的RBF神经网络的配网故障诊断模型具有较高的诊断精度.     

基于GA优化的RBF网络算法

针对RBF神经网络易于陷入局部最大值的缺点,把遗传算法引入RBF神经网络中,利用遗传算法具有全局搜索的优点,对RBF神经网络的权值进行优化,并把优化后的神经网络模型用于DNA序列的分类.仿真实验表明,采用遗传优化的RBF神经网络比传统RBF神经网络分类有更高的分类效率和正确率.     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。     

用文化算法改进的RBF神经网络在语音识别中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用文化算法的全局搜索性能,将文化算法用于语音识别系统的RBF网络的训练过程中,基于实验数据,指出该方法的识别结果较k-均值聚类算法有了明显的改善。     

RBF网络参数优化方法及其在开关磁阻电机建模中的应用

 基于全局搜索的进化算法——粒子群算法（QPSO）和一种局部搜索算法——结构化的非线性参数优化方法（SNPOM）,提出了一种混合的优化算法估计RBF神经网络中的参数——网络中心、线性参数、非线性参数,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、替换策略更新种群,完成网络中心初始值的寻优。再用SNPOM方法进一步优化,以提高SNPOM算法的全局搜索能力。仿真结果表明,混合优化方法比单独采用SNPOM法更优,且优于其他算法。并针对开关磁阻电机（SRM）高度非线性的开发重点和难点,用RBF网络进行SRM建模,将QPSO-SNPOM算法应用于RBF模型参数优化中,仿真实验结果表明,该算法较SNPOM算法精度更高、泛化能力更强,较遗传混合算法更快,训练后的RBF模型完全满足开关磁阻电机特性。     

基于智能蚂蚁算法的脱硫静态模型优化

为了自动寻找脱硫过程的规律和知识,对脱硫过程进行决策支持,采用RBF神经网络作为建模工具,针对建模过程中出现的RBF中心和宽度难以确定的难点,在分析蚂蚁算法机理的基础上,提出了使用智能蚂蚁算法对RBF神经网络模型的中心和宽度进行自适应选择,从而达到模型训练精度和范化能力的一个最优的平衡,进而提高模型的预报精度;在分析脱硫工艺原理的基础上,通过有效的数据预处理,最后进行仿真分析,其模型的预报精度好于传统脱硫静态模型,具有一定的实用性和推广价值。     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于RBF神经网络多用户检测方法的设计

基于免疫算法和免疫进化网络,提出了一种训练RBF网络的混合算法.该算法采用了一种可以实现数据聚类的免疫进化网络,根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置;采用免疫算法训练RBF网络,使优化过程趋于全局最优.通过计算机仿真证明,将该方法应用于多用户检测中获得了比传统检测器和其他方法训练的RBF网络多用户检测器更好的误码率检测性能.