论文部分内容阅读
径向基函数（Radial Basic Function,RBF）神经网络作为一种前馈型神经网络,在模型预测、智能控制和模式识别等领域得到广泛应用。但是,常规的RBF神经网络的拓扑结构无法根据具体问题进行实时调整,极大的限制了RBF神经网络的应用。因此,本文针对RBF神经网络的结构设计及参数优化问题,以交通流量预测为应用背景,结合量子粒子群优化（Quantum Particle Swarm Optimization,QPSO）算法的全局搜索能力,提出了基于自适应QPSO（Adaptive QPSO,AQPSO）算法的RBF神经网络自组织学习方法。首先,针对QPSO容易陷入局部最优的缺点,设计了AQPSO算法;其次,将所设计的AQPSO算法应用于RBF神经网络的参数学习,提出了基于AQPSO的RBF参数优化方法;然后,设计RBF神经网络结构调整规则,实现RBF网络结构及参数的自组织学习;最后,通过非线性系统辨识及短时交通流预测等问题的实验仿真研究,证明了本文所提方法的有效性。具体研究内容如下:1、针对QPSO算法容易陷入局部最优解的缺点,提出了一种自适应量子粒子群优化算法—AQPSO算法。首先,引入粒子的权重系数αi,j（t）设计权值平均值最好位置mω（t）,并代替原算法中的m（t）评价Li,j（t）,设计自适应收缩-扩张系数βi,j（t）提高粒子的全局搜索能力。接着,通过建立AQPSO的马尔可夫模型,分析AQPSO算法的收敛性。最后,通过4个基准测试函数证明了AQPSO的有效性。2、根据RBF神经网络参数学习的问题,将所提出的AQPSO算法应用于RBF神经网络的参数学习。首先,将RBF神经网络的参数（中心、扩展常数、输出权值）组成一个多维向量,作为AQPSO算法的粒子进行寻优,以得到在解空间范围内全局最优的参数;最后,将经过AQPSO算法优化的RBF神经网络应用于Mackey-Glass混沌时间序列预测。结果表明:与传统的PSO算法和QPSO算法相比,使用该算法学习RBF神经网络的参数效果更好。3、RBF神经网络结构动态优化,是保证RBF神经网络始终工作在合适结构状态的有效方法。为了获得RBF神经网络结构动态调整的有效方法,即RBF结构按照任务的变化而调整。在深入分析现有研究成果的基础上,提出一种基于AQPSO的RBF神经网络自组织学习方法,实现RBF网络结构及参数的同时优化设计。并且深入分析了AQPSO-SORBF神经网络的收敛性。通过非线性系统辨识及短时交通流预测等问题的实验仿真研究,证明了本文所提方法不仅能够获得较好的学习性能,同时网络的结构相对紧凑,提高了网络的泛化能力。