基于微分进化免疫和聚类的RBF网络学习算法研究

论文摘要

径向基函数（Radial Basis Function,RBF）神经网络以其深厚的生理学基础、简单的网络结构、快速的学习能力、优良的逼近性能,在函数近似、模式识别、信号处理、系统辨识等领域取得了广泛的运用。人工免疫系统（Artificial Immune System,AIS）是近年来兴起的一个研究领域,人工免疫系统与人工神经网络的混合应用也成为人们的研究热点,越来越多的研究者采用进化计算（Evolutionary Computation,EC）来设计RBF神经网络参数。隐节点中心的选取一直是各种RBF网络学习算法面临的主要问题之一,为提高RBF网络的性能,在RBF网络现有学习算法的基础上,本文提出了改进的模糊聚类算法,还将微分进化与免疫算法相结合应用到RBF神经网络的参数优化设计中,取得了以下成果:（1）分析了现有的RBF网络学习算法在隐节点中心选取、宽度确定和权值优化等方面的优缺点;（2）把微分进化思想和免疫算法相结合,提出基于微分进化免疫的RBF网学习算法,将该方法用于优化RBF网络隐节点参数以改进RBF网络的性能;（3）把减法聚类和模糊c-均值聚类相结合,提出改进的模糊聚类算法,增强了网络对离群点的鲁棒性,同时缩短了网络的训练时间;（4）分别用基于微分进化免疫的RBF网络学习算法和改进的模糊聚类算法训练RBF网络,验证了算法的有效性,效果较好。最后,本文对所做的研究工作进行了总结,并对以后的研究内容进行了展望。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 神经网络概述
• 1.1.1 神经网络的发展历史
• 1.1.2 神经元模型和网络结构
• 1.2 RBF 神经网络学习算法研究现状
• 1.3 本文主要研究工作
• 第二章 径向基函数神经网络
• 2.1 RBF 神经网络原理
• 2.1.1 径向基函数与插值问题
• 2.1.2 正则化理论与正则化网络
• 2.1.3 RBF 网络的数学模型
• 2.1.4 RBF 网络的逼近性能
• 2.1.5 核回归及其与RBF 网络的关系
• 2.2 RBF 网络常用的学习算法
• 2.2.1 基于k-均值聚类的RBF 网络学习方法
• 2.2.2 梯度训练方法
• 2.2.3 正交最小二乘（OLS）学习算法
• 第三章 基于微分进化免疫的RBF 网络学习算法
• 3.1 微分进化算法
• 3.1.1 微分进化算法的基本策略
• 3.1.2 微分进化算法的特点及不足
• 3.2 免疫算法的概念与原理
• 3.2.1 生物免疫系统
• 3.2.2 免疫算法的概念与原理
• 3.2.3 免疫算法与最优化问题
• 3.3 基于微分进化免疫的RBF 网络学习算法
• 3.3.1 免疫算子描述
• 3.3.2 算法描述
• 3.4 仿真实验
• 3.4.1 Hermite 多项式逼近
• 3.4.2 Mackey-Glass 时间序列预测
• 3.5 小结
• 第四章 改进的模糊聚类算法
• 4.1 模糊聚类方法
• 4.1.1 模糊c-均值聚类算法
• 4.1.2 减法聚类
• 4.2 减法聚类与模糊 c-均值聚类相结合应用于 RBF 网络设计
• 4.3 仿真实验
• 4.4 小结
• 第五章 总结和展望
• 参考文献
• 攻读硕士学位期间所做的科研工作
• 致谢
• 详细摘要