RBF神经网络参数优化:资源分配网络与剪枝策略

需积分: 49 9 下载量 92 浏览量 更新于2024-09-06 4 收藏 604KB PDF 举报
"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。