基于协同进化的RBFNN学习算法及其在复杂分类问题中的创新与实践.docxVIP

基于协同进化的RBFNN学习算法及其在复杂分类问题中的创新与实践

一、引言

1.1研究背景与意义

自20世纪80年代以来，神经网络的研究再次兴起并迅速发展，成为了人工智能领域的核心研究方向之一。神经网络作为一种模拟大脑神经元结构和功能的计算模型，具有强大的非线性映射能力、自学习能力和自适应能力，能够处理复杂的模式识别、分类、回归等问题。在理论研究方面，神经网络在计算能力、对任意连续映射的逼近能力以及学习理论等方面取得了丰硕的成果。在应用领域，神经网络已广泛渗透到经济与企业管理、金融工程、模式识别、医疗诊断及众多数据挖掘领域。例如，在金融工程中，神经网络可用于股票价格预测、风险评估等；在医疗诊断中，能够辅助医生进行疾病的早期诊断和病情预测。

径向基函数神经网络（RadialBasisFunctionNeuralNetwork，RBFNN）作为一种重要的神经网络模型，具有独特的结构和特点。RBFNN是一种具有单隐层的前馈网络，以函数逼近为基础。其结构简单，相较于其他复杂的神经网络模型，更容易理解和实现；非性逼近能力强，能够对任意连续函数进行高精度的逼近，适用于处理各种复杂的非线性问题；收敛速度快，在训练过程中能够快速达到较好的收敛效果，节省计算时间。这些优点使得RBFNN被广泛应用于各种分类问题，如在图像识别中，可用于识别不同类别的图像；在语音识别中，能够准确识别不同的语音信号。

然而，传统的RBFNN学习算法在实际应用中存在一些局限性。例如，在确定网络结构和参数时，往往依赖于经验或一些简单的启发式方法，缺乏有效的全局优化策略，容易陷入局部最优解，导致网络的泛化能力和分类性能不佳。为了克服这些问题，研究人员开始将协同进化算法引入RBFNN的学习过程中。

协同进化算法是一种模拟自然界中生物之间相互作用、相互影响、共同进化的优化算法。它通过将复杂问题分解为多个子问题，每个子问题对应一个子种群，种群间相互协作、共同进化，以寻找全局最优解。协同进化算法能够充分利用种群间的信息交互和协同作用，有效避免算法陷入局部最优，提高算法的搜索能力和收敛速度。例如，在解决多目标优化问题时，协同进化算法可以同时优化多个目标，找到一组Pareto最优解，为决策提供更多的选择。

将协同进化算法应用于RBFNN的学习，具有重要的理论和实践意义。在理论上，能够丰富和拓展神经网络的学习理论，为解决复杂的优化问题提供新的思路和方法；在实践中，有助于提高RBFNN的性能和泛化能力，使其在更多领域得到更有效的应用，如在智能交通系统中，可用于交通流量预测和交通信号控制；在工业生产中，能够实现故障诊断和质量控制的自动化。因此，深入研究基于协同进化的RBFNN学习具有重要的科学价值和实际应用价值。

1.2国内外研究现状

在神经网络领域，国内外学者对RBFNN的学习算法进行了广泛而深入的研究。早期的研究主要集中在RBFNN的基本原理和结构设计上，随着研究的不断深入，逐渐发展出了多种确定网络中心和参数的方法。例如，Chen提出的正交最小二乘法（OrthogonalLeastSquares，OLS），通过对训练数据进行正交分解，选择对网络输出贡献最大的样本作为隐层中心，有效提高了网络的逼近精度；S.Lee等人提出的分层自组织学习算法（HierarchicallySelf-OrganizingLearning，HSOL），能够根据数据的分布特征自动调整网络结构，增强了网络的自适应性。

在协同进化算法方面，国外学者Hillis在1990年首次将协同进化算法应用于排序网络的设计，开创了协同进化算法研究的先河。此后，Paredis提出了协同进化遗传算法（CoevolutionaryGeneticAlgorithm，CGA），并在分类神经网络设计、约束优化问题的状态空间搜索等方面取得了一系列有意义的成功应用。国内学者也在协同进化算法领域开展了大量研究工作，曹先彬等人构造了一种基于生态种群竞争模型的新的协同演化模式，胡仕成等人针对次序约束和资源约束的多模式项目调度问题提出了一种病毒协同演化遗传算法。

近年来，基于协同进化的RBFNN学习研究逐渐成为一个热点。田津等人提出了一种基于合作型协同进化的RBFNN训练算法CO-RBFNN，该算法利用K-均值算法对初始隐节点聚类，以聚类后的隐节点群作为子种群进行协同进化操作，在UCI的8个数据集上的仿真实验结果验证了该算法的有效性和可行性，能够在一定程度上克服传统优化算法进行网络训练耗时长的不足，且构建的RBFNN具有较小的网络规模和较强的泛化能力。然而，目前的研究仍存在一些不足之处。一方面，现有的协同进化算法与RBFNN的结合方式还不够完