进化计算优化的高斯径向基神经网络构建方法

"该文提出了一种基于进化计算的高斯径向基网络模型构建方法，旨在提升模型的构建精度。通过将径向基中心、基宽和连接权构成分区实数编码结构，并利用训练样本集来确定网络的输入和输出，以及用样本期望输出与网络实际输出的平均误差平方和作为适应度函数。这种方法能够根据不同隐层节点数找到最佳的高斯径向基网络结构。研究通过两个Benchmark测试函数验证了在各种隐层节点数情况下的模型精度，通过比较进化时间、进化代数、最小适应度值和均方根误差等指标，证明了分区实数编码可以有效地构建高精度的高斯径向基网络模型。" 本文是自然科学领域的论文，主要探讨了如何利用进化计算优化高斯径向基函数神经网络（Gaussian Radial Basis Function，GRBF）的构建过程。GRBF网络是一种非线性函数近似器，常用于复杂数据建模和预测任务。在传统GRBF网络构建中，选择合适的网络结构（如隐层节点数）和参数（如径向基中心、基宽）是一个挑战，因为它直接影响到模型的预测精度。 文章提出了一个创新的方法，将网络的参数编码为分区实数，每个进化个体代表一个可能的网络结构和参数配置。进化计算在这里扮演了优化器的角色，它通过模拟自然选择的过程，不断调整个体以优化适应度函数，即样本的平均误差平方和。随着进化代数的增加，网络的性能会逐步提高，最终达到一个最优状态。 为了验证该方法的有效性，研究者使用了两个标准测试函数（Benchmark functions），这些函数通常用来评估优化算法的性能。他们对比了在不同隐层节点数下，通过进化算法构建的GRBF网络的精度，分析了进化过程中的关键指标，如进化时间和均方根误差。实验结果表明，采用分区实数编码的方法可以更精确地构建适用于不同问题的GRBF网络模型，同时在减少误差和优化网络结构方面表现出优势。 这种方法的贡献在于提供了一种自动化的网络结构搜索策略，使得GRBF网络在处理复杂问题时能更有效地找到合适的参数设置，从而提高了预测的准确性和模型的泛化能力。这对于依赖于GRBF网络进行数据分析和预测的领域，如机器学习、模式识别和控制理论等，具有重要的实践意义。