基于改进粒群聚类的RBF神经网络混合学习算法.pdf

⑧瀚 2007控制科学与工程全国博士生学术论坛 2007年8月 基于改进粒群聚类的RBF神经网络混合学习算法 郭颖，吕剑虹 (东南大学，能源与环境学院．南京，2l0096) 摘要： 本文提出一种基于改进粒群聚类的RBF神经网络混合学习算法，首先利用改进粒群聚类确定RBF神 经网络的隐层基函数中心，然后用最小二乘法训练神经网络得到输出权值。最后将此算法用于模式分类，函数逼近 和热工对象辨识中，实验结果表明了本方法比常规聚类方法更简单，实用而且精确有效。 关键词： 粒群聚类；融；F神经网络；混合学习算法 based Swarm HybridLearningAlgOr．thmMOdifiedParticIe f6rRBFNeUraINetWOrk CIUStering Guo Ying，LuJiaIlhong (Sd∞oIofEner影耐Env拍哪e媳SoumeaStUniverS畸．N觚jing，2l0096) Abstract：A b嬲edmodified forRBFneIlralnetwork it hybridIe锄iIIgalgorithm particIeswa蛐clIlstering w鹬proposed．First confinned伽e hiddcn modified meRBF positio嬲ofIayerlmF∞ntc璐1lsingpanide algorithrn，t11en劬ljIled sw姗clust丽ng ne删nenvork柚dthe Iayer byle嬲t metllod．111enew w舔IlSedto cI鹊sification， got outputweigIlts squarc aIgorimm pa№m filnction discdmination锄dtIIeresIlltsshowmatmis is has appro)‘imation趴dthe册odyn栅ico协ed a190rimms蛔pler卸dhi曲 effbctiVeness． precision锄d wo喇s：PanideSwaml Neural 、 Netwo；rl【； key Clustefing；RBF Hybridleanlillgalgorithm 径向基函数(RBF)神经网络是前馈神经网络的一种主要形式Il‘2。。由于其结构简单，学习快速，计算量 少，具有良好的推广和全局最佳逼近能力等优点，已广泛应用于模式识别、函数逼近、非线性时间序列预 测等方面pJ。刚强神经网络的非线性映射能力由隐层基函数体现，而其特性主要由基函数的中心确定【4J， 因此基函数中心的确定非常重要。基函数中心的确定方法有多种，最常用的是K-means算法以及此方法 与粒群，遗传等智能算法结合形成的复合型聚类算法。其中K哪e锄s算法是解决聚类分析问题的经典算 法，但是它存在两个缺点：随机初始值对结果影响太大和算法容易陷入局部极值；而其改进型算法通常 结构复杂，计算量大，结果也不一定最优pJ。 粒群聚类算法(Panicle swa砷cIustering，PSc)是一种基于粒群优化算法思想的无监督的算法， 其作用机理类似自组织神经网络在聚类中的用法16】。它不仅克服了K．me锄s算法易陷入局部极值的缺 点，而且计算量小，易于实现且