自适应量子粒子群优化的RBF神经网络学习策略

"基于AQPSO的RBF神经网络自组织学习" 在本文中，作者提出了一个新颖的方法来解决径向基函数（RBF）神经网络的结构设计和参数优化问题，该方法称为自适应量子粒子群优化（AQPSO）算法。RBF神经网络因其在非线性建模和预测中的高效性能而被广泛使用，但如何有效地确定网络规模和优化其参数一直是个挑战。传统的RBF网络通常需要预先设定中心点的数量和分布，这可能导致网络过拟合或欠拟合。 AQPSO算法借鉴了量子粒子群优化（QPSO）的思想，将RBF神经网络的结构参数（如中心点的数量、宽度等）映射到粒子的位置空间。在此基础上，定义了一个新的评价指标——权值平均最优位置，用于评估QPSO中的个体位置更新规则。通过这种方式，算法能够更智能地搜索网络结构和参数的最优组合。 此外，为了进一步提升学习效率和网络性能，AQPSO算法引入了动态的收缩-扩张系数β。这个系数随着粒子的进化过程自动调整，使得网络能够在探索和利用之间找到平衡，防止早熟收敛。同时，还设计了一套网络规模的自适应调整规则，允许网络在训练过程中根据需要增减中心点，实现网络结构的自组织学习。 实验部分，作者使用非线性系统辨识和短期交通流量预测两个实际问题验证了所提方法的有效性。结果表明，基于AQPSO的RBF神经网络自组织学习算法在保持良好学习性能的同时，能构建出更为紧凑的网络结构，降低了模型复杂度，提高了泛化能力。 总结来说，这项工作主要贡献在于： 1. 提出了一种结合RBF神经网络与自适应量子粒子群优化的新型算法，解决了网络结构设计和参数优化的问题。 2. 设计了权值平均最优位置评价策略，改进了QPSO的更新机制。 3. 引入了动态收缩-扩张系数和网络规模自适应调整规则，实现了RBF神经网络的自组织学习。 4. 实验结果证明了该方法在实际问题中的有效性，特别是在提高学习能力和简化网络结构方面。 关键词：RBF神经网络，自适应量子粒子群优化，自组织学习，非线性系统辨识，短期交通流量预测