[發明專利]一種基于改進粒子群算法的RBF神經網絡優化方法

在審

• 申請號: 202010371490.1
• 申請日: 2020-05-06
• 公開（公告）號: CN113627606A
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 尚尚;何康寧;王召斌;楊童;劉明;李維燕;陳康寧;李朕
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/00
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 杭行

1.一種基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，該方法包含下列步驟：

步驟1：確定RBF神經網絡的拓撲結構，根據所要求解的問題確定神經網絡的輸入和輸出節點數，確定神經網絡的隱層節點數；

步驟2：計算所要優化的網絡參數的個數，將所要優化的目標映射成粒子的位置；

步驟3：初始化種群的位置與速度；

步驟4：將數據進行歸一化處理；

步驟5：取出部分訓練數據輸入到網絡模型當中，根據網絡輸出值與預測值的誤差，用適應度函數來評估當前粒子的適應度值；

步驟6：根據種群中每一個粒子對應的適應度值，更新種群當前的全局最優和局部最優；

步驟7：更新粒子的速度和位置，其中慣性權重和學習因子隨著迭代步數的增加分為三個階段動態變化；

步驟8：判斷是否達到設定的最大迭代次數，如果達到了，就結束流程并將當前全局最優的粒子位置還原成RBF神經網絡的對應參數，作為網絡的最優初始參數，否則返回步驟5。

2.根據權利要求1所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟2所述粒子的位置是一個n維的數據，其中n由下式確定：

n＝hidnum+hidnum*innum+hidnum*outnum (1)

式(1)中innum表示RBF神經網絡的輸入層節點數，hidnum表示隱層數，outnum表示輸出層節點數。

3.根據權利要求1所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟3中初始化種群位置時分類討論，數據中心和數據寬度對應的位置參數初始化范圍在(0,1)之間，網絡權重對應的位置參數初始化范圍設定為(-1,1)之間。

4.根據權利要求1所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟4數據歸一化處理采用對數函數法，函數形式由下式給出：

(2)式中表示第i(i＝1,2,3…,n)個數據歸一化結果，n表示數據樣本個數，x_i表示第i個數據，max(x)表示數據樣本的最大值。

5.根據權利要求1所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟5中采用下式作為適應度值的計算函數：

(3)式中N表示訓練樣本的個數，Y表示真實標簽的值，表示網絡實際輸出值。

6.根據權利要求1所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟7中的粒子群速度和位置更新公式滿足下式：

(4)式中，ω表示慣性權重，c₁和c₂表示學習因子，r表示(0,1)之間的隨機數，和分別表示個體最優位置和全局最優位置，和分別為第i個粒子在第k次迭代中第d維的速度和位置。

7.根據權利要求6所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟7速度更新公式中慣性權重采用分段策略，分段函數如下式所示：

(5)式中，ω_start和ω_end分別表示設置的最大和最小的慣性權重，分別設值為0.95和0.4；a是常數，a的值設定為0.005；t₁和t₂分別表示粒子群前期和中期的迭代截止步數，T＝t₂-t₁，t₁的數值不用人為指定，而是設置自適應選擇機制，Gen表示粒子最大迭代次數。

8.根據權利要求6所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟7速度更新公式中學習因子采用動態學習因子，函數表達式如下式所示：

(6)、(7)式中，m是常數，m的值設定為0.1；c_start表示學習因子所取的最小值，設值為1.5。

9.根據權利要求7或8所述的基于改進粒子群算法的RBF神經網絡優化方法，其特征在于，步驟7中所述更新粒子群速度策略分為三個階段，前期的迭代步數是自適應選擇的，設置一個前期迭代步數的閾值L(LGen)，在這L步內，速度更新中的慣性權重保持ω_start不變，學習因子保持c₁較大而c₂較小，如果連續迭代L步，最佳的適應度值沒有變化，則轉向中期迭代策略，即慣性權重向較小的值進化，學習因子的大小也向反方向進化，如果連續迭代L步，最佳的適應度值發生變化，則從變化的那一代起繼續以前期的迭代策略迭代L次，直到連續迭代L次后，最佳適應度值不再變化，再轉向中期的迭代策略，迭代后期慣性權重保持ω_end不變，學習因子保持c₁較小而c₂較大，讓粒子群投入局部的精細探索，增加收斂速度和精度。