基于優(yōu)化算法的徑向基神經網絡模型的改進及應用.pdf

1、神經網絡和智能優(yōu)化算法的組合算法是智能信息處理的主要工具，在空氣質量預測、經濟預測、聲納、傳感器、雷達、通信等領域，很多智能優(yōu)化算法和神經網絡的組合模型及改進模型被提出。神經網絡研究主要包括網絡模型的拓撲結構、參數選取等。粒子群算法的研究主要包括種群拓撲結構、慣性權重選取、PSO多樣性等。針對智能信息處理應用中，徑向基神經網絡的模型機制以及粒子群智能算法的研究基礎，本文提出了不同的徑向基神經網絡和粒子群算法的結合模型。
　　為了更

2、好地平衡粒子群的全局開發(fā)能力和局部探測能力，指數下降慣性權重 PSO算法被提出。在迭代早期，慣性權重以較快的速度下降，使粒子群較快搜索到可行解區(qū)域；在迭代后期，慣性權重以較慢的速度下降，使得粒子群在可行解區(qū)域里微調搜索到全局最優(yōu)解。將EDIW-PSO算法與RBF神經網絡結合，建立了EDIW-PS-RBF神經網絡模型，優(yōu)化了網絡參數和模型。通過空氣質量預測實驗與其他三種慣性權重策略PSO算法結合的RBF神經網絡模型進行了比較，證明了采用指

3、數下降慣性權重策略PSO算法訓練RBF神經網絡比其他算法更有效，預測精度更高。
　　為了泛化徑向基函數的分布形狀，擴展標準Gauss函數形狀參數的選取，徑向基函數采用廣義高斯函數，構建GRBF神經網絡。GRBF神經網絡中的參數除了中心、寬度和連接權值外，還需要調節(jié)徑向基函數的形狀參數。將 EDIW-PSO算法與GRBF神經網絡結合，優(yōu)化了隱含層各個神經元的參數。同時，將AdaBoost算法的集成學習能力用于GRBF神經網絡的連接權

4、值選取，將各個隱含層神經元作為AdaBoost算法的一個弱預測器，將整個 GRBF神經網絡作為一個強預測器。建立了EDIW-PSO-AdaBoost-GRBF神經網絡模型，通過二維非線性函數逼近和上證指數時間序列預測驗證了模型的有效性，具有較高的精度。
　　矢量水聽器陣列對水下目標的信息探測和DOA估計成為海洋探測以及海上軍事的一個重要研究方向。一方面，將EDIW-PSO-GRNN神經網絡模型和EDIW-PSO-AdaBoost-

5、GRBF神經網絡模型代替原來的MUSIC算法應用于MEMS矢量水聽器陣列的DOA估計。首先將MUSIC算法實值化，減小了MUSIC算法在DOA估計中的計算量。另一方面，利用EDIW-PSO算法的強大搜索能力優(yōu)化實值MUSIC算法，提高了MUSIC算法在DOA估計中的精度。在神經網絡模型進行 DOA估計應用中，將實值化后的協(xié)方差矩陣C的第一行作為神經網絡的輸入，將聲源入射角度作為神經網絡的輸出。在神經網絡訓練階段，分別取不同的入射角度，通