基于PSORBF的神经网络及其应用.pdfVIP

《冶金自动化》2006年增刊(s1) 基于PSO．RBF的神经网络及其应用 唐红艳．徐正光 (北京科技大学信息工程学院。北京100083) [摘要】首先介绍标准RBF神经网络并指出存在的问题，然后介绍粒子群算法并将其用于确定RBF网络参数 (连接杈，隐节点中心和宽度)，最后把Pso_RBF应用到卷取温度控制(cI℃)中，对卷取温度进行预测。仿真结果 表明PSO-RBF具有学习速度快、精度高等优点。 【关键词]粒子群优化算法；RBF神经网络；预测控制 O．引言 个由被优化丽数决定的适应度值。各个粒子记 RBF神经网络具有简单的拓扑结构、学习速 忆、追随当前的最优粒子，在解空间中搜索。每次 率快、学习过程透明等优点。RBF神经网络是含 迭代的过程不是完全随机的，如果找到较好解，将 有一个隐层的三层前向网络，且其基荫数常取高 会以此为依据来寻找下一个解。 斯摹函数。RBF网络和其它神经网络不同，它的 在每一次迭代中，粒子通过跟踪两个“板值” 每个隐节点都具有两个重要参数，即径向基函数 来更新自己，一个是粒子本身所找到的最好解，叫 的中心和宽度。目前，在理论上很难求得网络结 做个体极值点(用pbest表示其位置)；全局版PSO 构等参数的最佳值。 中的另一个极值点是整个种群目前找到的最好 粒子群优化赞：法儿o(Pso)作为一种新型的随 解，称为全局极值点(用—一t表示其位置)。在找 机全局群智能优化算法因为其简单可行以及效果 到这两个最优解后，粒子根据如下的式(1)和式 娃著【fii越来越广泛地被应用于神经网络讲【练中， (2)来更新自己的速度和位置。 文献[22研究了用PSO算法洲练积单元神经网络 取得了良好的效果。但是，将PSO算法用于训练 [P“(￡)一Xd(￡)j+c2× 其它结构的神经网络的研究尚不多见。本文提出 (1) rand()x[pd(f)一xo(I)] 了应用粒子群优化算法(Pso)确定RBF网络参数％(t+1)：却(‘)+％(‘+1)(2) (连接权，隐节点中心和宽度)，最后把WoO—RBF 式中，％(￡+1)为当前代的粒子移动速度；％(t) 应用到卷取温度控制(CTC)中，对卷取温度进行预为前一代的粒子移动速度；c1，c2为常数+称为学 测。仿真结果表明Pso．RBF具有学习速度快、精 度高等优点。 [0，1]上的随机数；tO为惯性权重(ineMia weight)。 1粒子群优化算法(PSO) PSO算法流程图如罔1所示。 粒子群优化算法最早是由Kennedy和Eberhart 近几年的研究和实践表明，PSO在多维空间 于1995年提出的。该算法从一组随机解出发，通多峰问题寻优、动态目标寻优方面有着速度快、解 过迭代搜寻最优解，但是它没有像遗传算法那样 质量高、鲁棒性好等优点．本文将PSo算法用于确 应用交叉和变异算子，而是粒子在解空间追随最 定RBF网络参数(连接权，隐节点中心和宽度)，最 优的粒子进行搜索。 后把PSO—RBF应用到卷取温度控制(CTC)中，对 粒子群优化算法求解优化问题时，问题的解 卷取温度进行预测。 对_『l筻于搜索空间中一只鸟的位置，称这些鸟为“粒 2 PS