AIP-RBF預(yù)測(cè)模型及其在盾構(gòu)工程中的應(yīng)用研究.pdf

1、機(jī)器學(xué)習(xí)是人工智能中最活躍、最具應(yīng)用潛力的領(lǐng)域之一，RBF網(wǎng)絡(luò)是一種高效的機(jī)器學(xué)習(xí)方法，能在任意精度下逼近任意非線性函數(shù)，同時(shí)具有優(yōu)秀的學(xué)習(xí)能力、泛化能力和訓(xùn)練速度快等優(yōu)點(diǎn)，經(jīng)常用于解決回歸、分類等問(wèn)題，與前饋神經(jīng)網(wǎng)絡(luò)(如多層感知器網(wǎng)絡(luò))相比，RBF網(wǎng)絡(luò)可以很好地避免陷入局部極小值。 但是，RBF網(wǎng)絡(luò)也有其缺點(diǎn)，如沒(méi)有現(xiàn)成的算法計(jì)算隱層結(jié)構(gòu)，即隱層的節(jié)點(diǎn)數(shù)目和每一個(gè)隱層節(jié)點(diǎn)的位置。目前，已有一部分研究者使用模糊C均值聚類FCM(

2、Fuzzy C-Mean)計(jì)算RBF網(wǎng)絡(luò)的隱層，但是這種方法只能部分地解決上面的問(wèn)題，即能夠確定隱層節(jié)點(diǎn)的中心位置，而無(wú)法確定隱層節(jié)點(diǎn)的數(shù)目。 本文提出一個(gè)基于人工免疫原理的RBF網(wǎng)絡(luò)預(yù)測(cè)模型AIP-RBF(Artificial Iminune Principal based Radial Basis Function Neural Network)，該模型使用改進(jìn)的克隆選擇算法和免疫抑制策略，通過(guò)隱層可行解抽取算法EAHLFS

3、(Extraction Algorithm Hidden Layer Feasible Solution)，能在聚類數(shù)目未知的情況下，生成RBF網(wǎng)絡(luò)隱層，計(jì)算所得到的結(jié)果包括隱層節(jié)點(diǎn)數(shù)和每一個(gè)隱層節(jié)點(diǎn)的中心位置。論文提出了隱層節(jié)點(diǎn)重要度SHLN(Significance of Hidden Layer Node)概念，用以指導(dǎo)RBF網(wǎng)絡(luò)第二階段的訓(xùn)練過(guò)程。與基于聚類算法的預(yù)測(cè)模型相比，AIP-RBF具有更快的收斂速度和更高的預(yù)測(cè)精度。