自适应变系数PSORBF算法及其在预测工程应用.docVIP

自适应变系数PSORBF算法及其在预测工程应用 　　摘 要： RBF神经网络对于非线性预测具有较好的效果，但是其存在容易陷入局部最小值以及收敛速度慢等缺点，研究一种自适应变系数PSO算法对RBF神经网络的初始参数进行优化，之后由RBF神经网络对粒子群算法优化后的网络参数进行精细优化，从而提高神经网络的稳定性以及收敛效率和精度等。自适应变系数PSO算法主要是将自适应递减和递增因子以及自适应调节惯性权重算子策略引入到常规的PSO算法中，从而改进算法在搜索空间中的遍历性，提高寻找全局最优解的概率，提高收敛精度和效率。最后，以炼钢过程中的煤气消耗量与钢铁产量的非线性关系作为预测实例进行研究，使用结果表明，研究的基于自适应变系数PSO?RBF神经网络的预测模型具有很好的预测能力，能够在预测工程中发挥较大的作用。 　　关键词： 非线性预测； RBF神经网络； 自适应变系数粒子群算法； 煤气量预测 　　中图分类号： TN711?34； TP393 文献标识码： A 文章编号： 1004?373X（2016）11?0113?03 　　Abstract： The RBF neural network has good effect on nonlinear prediction， but it is easy to fall into local minimum and has slow convergence. An adaptive variable coefficient PSO （particle swarm optimization） algorithm used to optimize the initial parameters of RBF neural network is studied. And then the precise optimization for the network parameters after PSO is performed by means of RBF neural network to improve the stability， convergence efficient and precision of neural network. In adaptive variable coefficient PSO algorithm， the scheme of adaptive decreasing and increasing factors， and inertia weight factor with adaptive control is introduced into the conventional PSO algorithm to improve the algorithm ergodicity in search space， probability of finding the global optimal solution， and convergence precision and efficiency. Finally， the nonlinear relationship between gas consumption and steel output in steelmaking process is studied. The application results show that the prediction model based on adaptive variable coefficient PSO?RBF neural network has good prediction ability， and can play an important role in prediction engineering. 　　Keywords： nonlinear prediction； RBF neural network； adaptive variable coefficient PSO algorithm； gas volume prediction 　　0 引 言 　　传统的时间序列预测法、回归预测算法以及基于灰度理论的预测方法等遇到具有较强随机性和非线性的预测问题时，预测精度往往不能满足要求。径向基函数（Radial Basis Function，RBF）神经网络具有结构简单、泛化能力强、预测精度高等优点，在各个领域的预测模型中得到了广泛应用。但是常规的RBF神经网络存在容易陷入局部最小值、训练效率低等问题，并且由于网络的初始值是由随机函数得出的，因此RBF神经网络建立的预测模型预测稳定性不够理想[1?4]。 　　通常可以使用粒子群优