基于粒子群算法优化RBF的峰电位分类.pptVIP

基于粒子群算法优化RBF的锋电位分类 Contents 主要内容 1.锋电位的研究意义 2.算法简介 2.1 RBF网络 2.2 PSO算法 2.3 PSO算法改进RBF 3.仿真实验与结果 3.1 特征提取 3.2 仿真实验与结果 1.锋电位的研究意义 神经元锋电位 在没有任何外界刺激时，神经元细胞膜两端存在的电位差称为静息电位。细胞膜受到刺激后，在原有的静息电位基础上发生一次膜两侧电位的快速倒转和复原，形成锋电位。 重要性 锋电位携带了丰富的神经元活动信息，在神经元回路中以耗能的、主动的形式快速传播，且不发生形变。 意义 神经元锋电位分类是从网络结构上研究神经元信息的产生、传输、处理、编码等过程的前提。 2.1 RBF网络 2.2 PSO算法 粒子群优化算法(PSO)是一种基于迭代的优化方法，1995 年由Eberhart 博士和Kennedy 博士首次提出，源于对鸟群捕食行为的研究 。 PSO算法是将每个优化问题的解作为一个粒子，每个粒子具有一个适应度函数，且拥有一个速度决定它们飞翔的方向和距离，通过迭代搜寻最优值。 PSO算法具有实现容易、精度高、收敛快等优点。 PSO算法的主要参数 Vmax: 最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度。 学习因子: c1 和 c2 通常等于 2. 不过在文献中也有其他的取值. 但是一般 c1 等于 c2 并且范围在0和4之间. 粒子数：一般取 20-40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果, 不过对于比较难的问题或者特定类别的问题, 粒子数可以取到100 或 200。 粒子的长度和范围：由优化问题决定，是问题解的长度和范围。 粒子适应度。可按均方差来定义适应度函数： F(e)= 2.2 最近邻聚类算法 预先给定一个聚类半径e，并设置初始聚类个数m=1. 选取样本中任意一个数据x1为聚类中心z1，即z1=x1。 选取另一数据x2,若||x2-z1||e,则x2归于第一类,且更新z1,即z1=z1+a（x2-z1），0a1. 否则另建新类，m=m+1，z2=x2. 重复上述过程直至所有数据分类完成。 2.3 PSO算法改进RBF网络 Step 1 初始化粒子群：选取粒子个数为n，随机产生各粒子初始速度，位置（即聚类半径e）。 Step 2 对n个不同e值，分别训练n个RBF神经网络参数和结构。分别采用最近邻聚类算法根据不同e值对输入数据进行聚类，获得RBF神经网络的聚类个数和隐层中心向量。 Step 3 评价各粒子适应度。 Step 4 对每个粒子，计算当前适应度f， 且设l=(n+1)/2,用前一半适应度较低的粒子置换后一半适应度较高的粒子。 Step 5 根据以下公式，更新粒子的速度和位置。 v=w*v+c1*rand()*(pbest-present)+c2*rand()*(gbest-present) present= persent+v 2.4 PSO算法改进RBF网络 Step 6 若达到最大迭代次数，或者适应度小于预设值，则结束，返回当前群体全局极值p为最优的e值。否则，转至步骤2. Step 7 根据最优的e值输出结果，结合最近邻聚类算法获得最优的RBF神经网络参数。 3 仿真实验与结果 3.1 特征选取 用主成分分析法分析各个主成分的贡献率，前5个成分总贡献率达到80%，取前5个主成分作为特征。 3.2 仿真结果 粒子数n选取为40，经过实验对比，取c1=2.8，c2=1.3。 对472组数据进行分类。 原始数据如右图所示： 3.2 仿真结果 结论 采用最近邻聚类算法确定RBF神经网络的隐层参数，根据聚类半径e将数据进行自动分类并找出聚类中心，不必依赖初始中心的选择，减少了人为因素的影响。 希望老师同学批评指正！ * * 导师：师黎 姓名：赵萌 由多电极阵列采集的锋电位信号是多个神经元叠加的结果，锋电位分类 是把每个神经元发放的锋电位从采集的混合信号中分离出来的过程。 主成分分析 RBF网络 PSO算法 最近邻聚类 Why How Conclusions 分类结果展示 输入层 N个基函数的隐含层 输出层 结构简单，训练简洁，学习收敛速度快，能够逼近任意非线性函数。 BUT!如何确定合适的隐层基