RBF神经网络参数优化：资源分配网络与剪枝策略

"该文提出了一种改进的RBF神经网络参数优化算法，结合资源分配网络算法(RAN)和剪枝策略，以及改进的粒子群算法，以优化网络的结构和参数，提升其泛化能力。该算法在连续搅拌釜反应器模型的预测中表现出色，实现了小网络结构和高预测精度。" RBF神经网络，全称为径向基函数神经网络，是一种具有全局收敛性的前馈网络，因其强大的函数逼近能力，在模式识别、图像处理和非线性系统建模等领域有广泛应用。网络的关键在于确定隐藏层节点数量、基函数中心、宽度以及输出权重，这些参数直接影响网络的精度和泛化性能。 现有的RBF网络参数确定方法存在一些局限性。例如，正交优选法虽然可以从数据集中自动选择中心，但可能无法准确反映输入输出关系，且易出现病态现象。K-Means聚类法虽常用来确定基函数中心，但需预先设定节点数量，且易受初始中心向量选择的影响，可能导致局部最优解。文献中的资源分配网络算法(RAN)依据样本的新颖性动态调整节点数，但可能会产生冗余节点。 针对以上问题，本文提出了一种改进的方法。首先，采用RAN算法动态地决定隐藏层的节点数目，该算法基于样本的新颖度，可以更灵活地适应数据分布。接着，引入剪枝策略，删除对网络输出贡献微小的隐藏单元，以减小网络复杂度，防止过拟合。最后，利用改进的粒子群算法对网络的中心、宽度和权重进行优化，粒子群优化算法的全局搜索能力有助于找到更优的网络参数组合，进一步提升RBF网络的泛化性能。 实验结果表明，该优化方法成功应用于连续搅拌釜反应器模型的预测，生成的RBF网络结构紧凑，且具备高泛化能力。这证实了该方法的有效性，对于解决RBF网络参数优化问题提供了新的思路，并可能推广到其他需要非线性模型预测的任务中。