[发明专利]一种基于改进粒子群算法的RBF神经网络优化方法

权利要求书

1.一种基于改进粒子群算法的RBF神经网络优化方法，其特征在于，该方法包含下列步骤：

步骤1：确定RBF神经网络的拓扑结构，根据所要求解的问题确定神经网络的输入和输出节点数，确定神经网络的隐层节点数；

步骤2：计算所要优化的网络参数的个数，将所要优化的目标映射成粒子的位置；

步骤3：初始化种群的位置与速度；

步骤4：将数据进行归一化处理；

步骤5：取出部分训练数据输入到网络模型当中，根据网络输出值与预测值的误差，用适应度函数来评估当前粒子的适应度值；

步骤6：根据种群中每一个粒子对应的适应度值，更新种群当前的全局最优和局部最优；

步骤7：更新粒子的速度和位置，其中惯性权重和学习因子随着迭代步数的增加分为三个阶段动态变化；

步骤8：判断是否达到设定的最大迭代次数，如果达到了，就结束流程并将当前全局最优的粒子位置还原成RBF神经网络的对应参数，作为网络的最优初始参数，否则返回步骤5。

2.根据权利要求1所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤2所述粒子的位置是一个n维的数据，其中n由下式确定：

n＝hidnum+hidnum*innum+hidnum*outnum (1)

式(1)中innum表示RBF神经网络的输入层节点数，hidnum表示隐层数，outnum表示输出层节点数。

3.根据权利要求1所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤3中初始化种群位置时分类讨论，数据中心和数据宽度对应的位置参数初始化范围在(0,1)之间，网络权重对应的位置参数初始化范围设定为(-1,1)之间。

4.根据权利要求1所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤4数据归一化处理采用对数函数法，函数形式由下式给出：

(2)式中表示第i(i＝1,2,3…,n)个数据归一化结果，n表示数据样本个数，x_i表示第i个数据，max(x)表示数据样本的最大值。

5.根据权利要求1所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤5中采用下式作为适应度值的计算函数：

(3)式中N表示训练样本的个数，Y表示真实标签的值，表示网络实际输出值。

6.根据权利要求1所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤7中的粒子群速度和位置更新公式满足下式：

(4)式中，ω表示惯性权重，c₁和c₂表示学习因子，r表示(0,1)之间的随机数，和分别表示个体最优位置和全局最优位置，和分别为第i个粒子在第k次迭代中第d维的速度和位置。

7.根据权利要求6所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤7速度更新公式中惯性权重采用分段策略，分段函数如下式所示：

(5)式中，ω_start和ω_end分别表示设置的最大和最小的惯性权重，分别设值为0.95和0.4；a是常数，a的值设定为0.005；t₁和t₂分别表示粒子群前期和中期的迭代截止步数，T＝t₂-t₁，t₁的数值不用人为指定，而是设置自适应选择机制，Gen表示粒子最大迭代次数。

8.根据权利要求6所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤7速度更新公式中学习因子采用动态学习因子，函数表达式如下式所示：

(6)、(7)式中，m是常数，m的值设定为0.1；c_start表示学习因子所取的最小值，设值为1.5。

9.根据权利要求7或8所述的基于改进粒子群算法的RBF神经网络优化方法，其特征在于，步骤7中所述更新粒子群速度策略分为三个阶段，前期的迭代步数是自适应选择的，设置一个前期迭代步数的阈值L(LGen)，在这L步内，速度更新中的惯性权重保持ω_start不变，学习因子保持c₁较大而c₂较小，如果连续迭代L步，最佳的适应度值没有变化，则转向中期迭代策略，即惯性权重向较小的值进化，学习因子的大小也向反方向进化，如果连续迭代L步，最佳的适应度值发生变化，则从变化的那一代起继续以前期的迭代策略迭代L次，直到连续迭代L次后，最佳适应度值不再变化，再转向中期的迭代策略，迭代后期惯性权重保持ω_end不变，学习因子保持c₁较小而c₂较大，让粒子群投入局部的精细探索，增加收敛速度和精度。