[發(fā)明專利]一種基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法

在審

• 申請?zhí)枺?/td>: 202011240024.6
• 申請日: 2020-11-09
• 公開（公告）號: CN112232493A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設計）人: 尚尚;何康寧;王召斌;楊童;劉明
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/00
• 代理公司: 南京正聯(lián)知識產(chǎn)權代理有限公司 32243
• 代理人: 杭行

1.一種基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)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(jīng)網(wǎng)絡的結構，由RBF神經(jīng)網(wǎng)絡的數(shù)據(jù)中心、數(shù)據(jù)寬度以及權重三類初始參數(shù)確定鯨魚個體的維數(shù)，并將參數(shù)編碼生成鯨魚個體的位置矢量；

步驟2：確定鯨魚的種群規(guī)模，采用反向學習機制初始化鯨魚種群的位置；

步驟3：歸一化RBF神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)和測試數(shù)據(jù)；

步驟4：取出一部分訓練數(shù)據(jù)輸入網(wǎng)絡，設置適應度函數(shù)計算當下每一條鯨魚的適應度值；

步驟5：根據(jù)上一代適應度值設置動態(tài)閾值，將鯨魚種群分為優(yōu)質鯨魚和非優(yōu)質鯨魚兩個子種群；

步驟6：產(chǎn)生一個[0，1]之間的隨機數(shù)ρ，若ρ＜0.5，則執(zhí)行鯨魚的螺旋更新策略，若ρ≥0.5，則執(zhí)行鯨魚的收縮更新策略；

步驟7：設置最大迭代步數(shù)，迭代次數(shù)達到最大值后，算法循環(huán)結束，保存適應度值最小的鯨魚對應位置適量，將位置矢量解碼生成RBF神經(jīng)網(wǎng)絡的最優(yōu)初始化參數(shù)，未達到終止條件，則返回步驟4。

2.根據(jù)權利要求1所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟1所述鯨魚個體的維數(shù)N由數(shù)據(jù)中心、數(shù)據(jù)寬度以及網(wǎng)絡權重的三類參數(shù)組成，網(wǎng)絡輸入個數(shù)為X_n，網(wǎng)絡隱層數(shù)為C，即有：

N＝2·C+X_n·C (1)

編碼操作即將三類網(wǎng)絡參數(shù)按次序排列成一個一維位置矢量。

3.根據(jù)權利要求1所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟2中鯨魚的種群規(guī)模M設置在[25，30]之間，先隨機初始化M/2個鯨魚個體，對于剩下的第i個鯨魚的第k維位置P_i，k(其中采用反向學習機制生成：

P_i，k＝a+b-p_j，k (2)

其中a和b分別是隨機生成那部分粒子的上下界，而p_j，k表示隨機生成的第j個粒子的第k維位置數(shù)據(jù)。

4.根據(jù)權利要求1所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟4中適應度函數(shù)的表達式如下：

式中n表示訓練樣本的個數(shù)，L表示網(wǎng)絡的輸出層節(jié)點數(shù)，Y和分別表示數(shù)據(jù)的真實值和神經(jīng)網(wǎng)絡的輸出值。

5.根據(jù)權利要求1所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟5中設置閾值，閾值大小由上一代適應度均值決定，故閾值大小隨著迭代次數(shù)變化而動態(tài)變化，適應度閾值的計算方式如下式(4)給出：

式中ε表示適應度閾值的權重，用于控制優(yōu)質鯨魚占整個種群的比例。

6.根據(jù)權利要求1所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟6中執(zhí)行螺旋更新策略時，更新方式如下(5)式給出：

式中X(t+1)表示更新后的鯨魚位置，l是[-1，1]之間的隨機數(shù)，b是決定螺旋形狀的參數(shù)，X^*(t)表示當前最優(yōu)鯨魚所在的位置，D′表示當前某一鯨魚X(t)與當前最優(yōu)鯨魚之間的距離，表達式由下(6)式給出：

D′＝|X^*(t)-X(t)| (6)。

7.根據(jù)權利要求1所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟6中執(zhí)行收縮更新策略時，變量A控制鯨魚執(zhí)行不同的收縮更新策略，表達式如下(7)式給出：

式中X_rand(t)和D_rand(t)分別表示生成的新鯨魚位置以及其與當前鯨魚之間的距離，A的表達式如(8)式所示：

A＝a·(2·r-1) (8)

其中r表示[0，1]之間的隨機數(shù)矢量，a是隨著迭代次數(shù)增加而線性遞減的參數(shù)，D_rand和D的表達式如下(9)式給出：

8.根據(jù)權利要求7所述的基于改進鯨魚算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法，其特征在于，步驟6中執(zhí)行收縮更新策略時，采用多元宇宙優(yōu)化算法中物質交換的思想生成新的鯨魚位置，對于新的鯨魚第j維的數(shù)據(jù)，有表達式(10)給出生成方法：

式中和分別表示最優(yōu)鯨魚和隨機選取的鯨魚第j維上的數(shù)據(jù)，a的表達式如式(11)所示：

式中t表示當前迭代步數(shù)，t_max表示最大迭代步數(shù)。