基于PSO 优化的模糊RBF 神经网络学习算法及其应用①.pdfVIP

第２卷 第１期 当代教育理论与实践 Ｖｏｌ．２Ｎｏ．１ ２０１０年２月 　　　　　　　 　ＴｈｅｏｒｙａｎｄＰｒａｃｔｉｃｅｏｆＣｏｎｔｅｍｐｏｒａｒｙＥｄｕｃａｔｉｏｎ　　　　　　　　　 Ｆｅｂ．２０１０ 基于ＰＳＯ优化的模糊 ＲＢＦ神经网络学习算法及其应用① 段明秀 （吉首大学 数学与计算机科学学院，湖南 吉首４１６０００） 摘　要：有一种基于ＰＳＯ优化的模糊ＲＢＦ神经网络学习算法，该算法首先将模糊ＲＢＦ神经网络需要调整的参数作为 粒子，利用ＰＳＯ算法的全局搜索及快速收敛特性对模糊ＲＢＦ神经网络结构进行优化，然后将经ＰＳＯ算法优化的各参数结 果作为模糊ＲＢＦ神经网络各个参数的初始值，再结合梯度下降法对网络的各参数进行动态调整。将之应用于对ＵＣＩ数据 集的分类及函数逼近，仿真结果表明优化后的模糊ＲＢＦ神经网络具有更高的精度及鲁棒性。 关键词：ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）；模糊ＲＢＦ；神经网络；函数逼近 中图分类号：ＴＰ３９３　　　文献标识码：Ａ　　　文章编号：１６７４－５８８４（２０１０）０１－０１０１－０４ 　　模糊 ＲＢＦ神经网络具有并行计算、分布式信息存储、 一　模糊ＲＢＦ神经网络结构 容错能力强、具备自适应学习能力、可以以任意精度逼近任 模糊ＲＢＦ神经网络结构如图１所示，由输入层、模糊 意的非线性函数等优点，被广泛应用于模糊控制器、模式识 化层、模糊推理层及输出层构成［４－５］，各层的功能表述如 ［１］ 别、模糊辨识和信号处理等领域 。尽管该网络具有这些 下： 优点，但同时也存在网络的结构和参数的学习算法复杂，容 第一层：输入层 易陷入局部最优；网络学习速度慢、收敛性能不好；模糊规 输入层的各个节点直接与输入的各个分量连接，将输 则数目没有合理的确定方法，容易出现冗余规则等缺 入传到下一层。该层的每个节点 ｉ表示一个输入分量： ［２］ 点 ，制约着该网络的广泛应用。 Ｔ ｆ（ｉ）＝Ｘ。Ｘ＝( ｘ，ｘ，…，ｘ) ，ｎ为输入向量的维数。 １ １ ２ ｎ 粒子群优化（ＰｒａｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚｅｒ，ＰＳＯ）算法是一 第二层：模糊化层 种新的基于群体智能的优化算法，具有良好的全局寻优能 该层的作用是将输入划分为模糊集，模糊隶属度函数 力，同时通过参数的调整还可以使他具有较强的局部寻优 采用式（１）的径向基函数 能力。该算法所需调整的参数较少，而且调整方法简单易 ２ ２ ｆ（ｉ，ｊ）＝ｅｘｐ｛－（ｆ（ｉ）－ｃ）／（ｂ）｝ （１） 行，适合于计算机编程处理。多数情况下，算法能快速地收 ２ １ ｉｊ ｉｊ 其中ｃ是第ｉ个输入中第ｊ个模糊集合的隶属函数的 敛于最优解，并且可以避免完全寻优的退化现象［３］。 ｉｊ 均值（中心），ｂ是第ｉ个输入中第ｊ个模糊集合的隶属函数