一种改进PSO优化RBF神经网络的新方法

• 作者: 段其昌 王大兴 赵敏
• 来源期刊: 计算机仿真
• 学科: 工学
• 关键词: 粒子群 径向基函数神经网络 最近邻聚类 收缩因子
• 年，卷（期）: 2009,（12）
• 所属期刊栏目: 人工智能与专家系统
• 页码范围: 126-129
• 页数: 4页
• 分类号: TP183
• 字数: 4379字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-9348.2009.12.034

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	段其昌	重庆大学自动化学院	70	642	14.0	20.0
2	赵敏	重庆大学自动化学院	64	882	15.0	26.0
3	王大兴	重庆大学电气工程学院	3	64	3.0	3.0