文档介绍:,其具有全局最佳逼近能力[1]。它不仅具有良好的推广能力,而且计算量少,已广泛应用于模式识别、函数逼近、自适应滤波、非线性时间序列预测等方面。RBF神经网络的非线性映射能力体现在隐层基函数上,其特性主要由基函数的中心确定[2]。基函数中心的确定方法有多种:正交优选法可以自动确定最佳隐层数目和网络输出权值,但隐含层中心点取值为输入数据,因此很难反映出系统真正的输入输出关系,并且初始中心点数太多,在优选过程中会出现数据病态现象[2],当正交过程中所选取的正交向量超过一定数目后,将难以进一步选出正交向量[3];递推Givens变换算法虽然解决了递推最小二乘的数据病态问题,但是计算量较大,并且在学****过程中不能找到网络实际所需的隐层神经元数目;遗传算法也被用于确定基函数中心,并取得较好的效果[4~6],但其存在实现相对复杂,调整参数较多的缺点;一般采用K-means聚类算法来确定基函数中心,但必须事先确定径向基函数中心个数,由于同一种输入样本模式可能对应于多个聚类,往往通过聚类算法得到的隐节点数目仍很大,从而产生由于隐节点数目过大而出现的过学****的问题[1]。文献[7]引入减聚类算法用于指导聚类学****并通过一个聚类自动终止判断聚类个数,但其基函数中心在采集到的样本范围内进行挑选,很难达到较高的精度。粒子群优化[8,9](PraticleSwarmOptimizer,PSO算法是一种新的基于群体智能的优化算法,同遗传算法相比较,不但具有遗传算法的全局寻优能力,而且通过调整参数还可以同时具有较强的局部寻优能力。由于没有个体杂交、变异等操作,其参数调整简单易行,更适合计算机编程处理,在多数情况下,比遗传算法更快地收敛于最优解,而且可以避免完全寻优的退化现象[10]。本文在减聚类算法确定径向基函数中心个数的基础上,通过PSO算法对基函数中心参数进行优化,再结合最小二乘法确定网络输出权值,并将本算法应用于混沌时间序列的预测。、隐层和输出层组成。其完成如下非线性映射:fn(X=w0+ni=1!wi!(‖X-ci‖其中X∈Rn是输入矢量,!(・是一个R+→R的非线性函数,一般取高斯型函数:!(‖X-ci‖=exp(-‖X-ci‖2"2i基金项目:国家自然科学基金资助项目(编号:60573005作者简介:张顶学(1975-,男,博士生,主要研究方向:神经网络、计算智能等。关治洪,教授,博导。刘新芝,教育部长江学者,特聘教授,博导。基于PSO的RBF神经网络学****算法及其应用张顶学关治洪刘新芝(华中科技大学控制科学与工程系,武汉430074E-mail:zdx7773@摘要提出了一种基于粒子群优化(PSO算法的径向基函数(RBF神经网络学****方法,首先利用减聚类算法确定网络径向基层的单元数,再用PSO对基中心和宽度进行优化,并与最小二乘法相结合训练RBF神经网络。将此算法用于混沌时间序列的预测,实例仿真表明此方法是有效的。关键词粒子群径向基函数神经网络减聚类算法混沌时间序列最小二乘法文章编号1002-8331-(200620-0013-workAlgorithmBasedonPSOAlgorithmandItsApplicationZhangDingxueGuanZhihongLiuXinzhi(HuazhongUniversityofScience&Technology,Wuhan430074Abstract:ThispaperintroducesamethodofRadialBasisFunction(workalgorithmbasedonParticleSwarmOptimization(’numberinRBFlayerusingsubtractiveclusteringmethod,thesecondtooptimizecentralpositionanddirectionalwidthbasedonPSOalgorithm,binewithleast-,:particleswarmoptimization,work,subtractiveclusteringmethod,chaotictimeseries,least-squaremethod13Z11Z12…Z1k!1…Z21Z22…Z1k!1…Zm1Zm2…Zmk