蚁群聚类优化的径向基神经网络：结构简化与性能提升

"一种基于蚁群聚类的径向基神经网络 (2006年) - 西安交通大学学报 - 武方方, 赵银亮" 本文主要介绍了一种新的神经网络模型——基于蚁群聚类算法的径向基神经网络（RBF-ACC）。该模型结合了蚁群优化算法与径向基神经网络的优势，旨在优化网络结构并提升学习效率。 径向基神经网络（RBF Network）是一种广泛应用的前馈神经网络，其核心特点是使用径向基函数作为隐藏层神经元的激活函数。这些函数通常是非线性的，如高斯函数，能够在空间中形成一个“基”，用于近似输入数据的分布。传统的RBF网络在确定基函数中心（即隐藏层神经元的位置）时，可能采用固定或随机的方法，这可能导致网络结构复杂且训练时间较长。 蚁群聚类算法（Ant Colony Clustering, ACC）是受到蚂蚁寻找食物路径行为启发的一种优化算法，它具有并行搜索优化的能力，能有效地解决全局优化问题。在本文中，作者将这种算法应用于确定RBF网络的基函数位置。通过球面聚类的方式，蚁群算法能够更高效地找到数据集中的聚类中心，从而定义基函数的位置。 此外，为了进一步简化网络结构，RBF-ACC网络采用了比较和合并隐层神经元相似性的策略。如果发现两个神经元之间的相似性较高，它们可以被合并，以减少网络的复杂度。这种方法有助于减少不必要的神经元数量，使得网络结构更为精简，同时保持或提高预测精度。 实验结果显示，与传统聚类算法构建的RBF网络相比，RBF-ACC网络在整体训练时间上减少了至少40%，学习准确率提高了1%以上。这些改进表明，基于蚁群聚类的RBF网络不仅提高了训练效率，还降低了过拟合的风险，网络的结构优化使得模型更加高效和实用。 关键词：径向基神经网络、蚁群聚类算法、基函数 该研究工作对神经网络领域的优化有着积极的意义，特别是对于那些需要快速训练和高效运行的实时应用，如数据分析、模式识别和预测任务等，提供了新的思路和方法。通过将自然界的智能算法引入到机器学习模型中，不仅能够优化模型性能，还可能启发更多跨学科的研究与创新。