基于蚁群算法的RBF神经网络优化算法

摘要

径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)以其简单的网络结构、快速的训练过程和良好的推广能力等诸多优点在许多应用领域取得了成功。在RBFNN中，隐层单元的中心位置和相应宽度值的选择是整个网络性能优劣的关键，直接影响网络的逼近能力。蚁群优化算法是基于蚂蚁群体觅食过程中沿最短路径行进的生物学行为发展起来的一类群智能优化方法，具有很强的发现较好解的能力。本文重点研究了利用蚁群优化算法对RBFNN隐层单元的中心位置和宽度值的优化。全文的主要工作体现在以下几个方面： 1蚁群优化算法已成为计算智能方法中的一个重要分支，并在很多国际会议上作为专题加以讨论，成为蓬勃发展的热点研究课题。本文主要对蚁群算法的数学描述及其特点进行了阐述，介绍了蚁群算法的几种改进方法以及蚁群算法的发展和研究现状。 2利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法，提出一种新的聚类算法来确定RBFNN中基函数的位置。通过一种裁减的方法除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元，以达到简化RBFNN结构的目的。优化后的RBFNN的结构小，泛化能力得到了提高。 3提出了一种 RBFNN中心参数仿生优化算法。该算法分两阶段完成，第一阶段用改进的蚁群优化算法进行网络参数优化：第二阶段利用最速下降法对第一阶段得到的网络参数进行进一步的优化，以得到更加精确的网络参数。将此优化算法应用到IRIS和双螺旋分类问题以及人脸识别问题中，实验表明该算法计算速度快，提高了RBFNN的泛化能力。

目录

文摘

英文文摘

声明

引言

第一章 绪论

1.1神经网络技术的发展与现状

1.2本文的所做工作及内容安排

第二章RBFNN基本理论概述

2.1 RBFNN结构及其特点

2.2 RBFNN的权值算法研究

2.2.1 M-P伪逆算法

2.2.2递推最小二乘算法

2.2.3递推正交最小二乘法

2.3 RBF神经网络的特点

2.4结束语

第三章RBFNN的学习算法

3.1随即选取固定中心

3.2中心的自组织选择

3.3中心的监督选择

3.4基于进化优化方法

3.5基于混合优化策略

3.6结束语

第四章蚁群算法描述

4.1基本蚁群算法的数学描述

4.2蚁群算法的特点

4.2.1人工蚂蚁系统与真实蚂蚁系统的比较：

4.2.2蚁群算法的优点

4.2.3蚁群算法的缺点

4.3算法的改进

4.3.1状态转移概率公式的改进

4.3.2信息素更新策略的改进

4.3.3 MMAS

4.3.4蚁群优化算法：

4.4蚁群算法的发展和研究应用现状

4.5结束语

第五章 基于蚁群聚类和裁剪方法的RBF神经网络优化算法

5.1蚁群聚类算法

5.2隐层单元结构的调整

5.3隐含层到输出层权值的调整

5.4基于蚁群算法和裁剪方法的RBF神经网络整体优化算法

5.5实验与讨论

5.6结束语

第六章 基于蚁群优化算法和最速下降法的RBF神经网络参数优化算法

6.1蚁群优化算法改进

6.2利用最速下降法调整网络参数

6.3权值计算

6.4 RBF神经网络参数优化整体算法

6.5仿真实验

6.6结束语

第七章总结和展望

参考文献

攻读学位期间的研究成果

致谢