基于PSO算法的径向基神经网络优化设计及应用研究
发布时间：2022-10-15 13:00
径向基神经网络（RBF）因其收敛速度快、结构简单、能够逼近任意非线性网络的特点,逐步在各个行业和领域的得到了广泛的应用。但是在现实的应用的过程中,传统的算法虽然能快速的构建网络,但是很难达到预期的效果,所以常常将该算法与优化算法相结合来构建网络,这种结合方式是目前神经网络研究的一个热点。本文使用粒子群算法对径向基神经网络与模型进行了优化。粒子群算法作为一种具有实现容易、算法运行收敛快、运行结果精度高等优点的并行算法,研究发现,这种算法在实际应用中具有其独特的优越性。同时PSO算法也存在缺点,如局部能力搜索能力差和早期收敛,在求解复杂问题时,如果没有搜索到全局最优,粒子可能会保持在某个位置停滞不前;并且在后期当粒子在极值点附近时,此时搜索速度变得缓慢,这将会导致粒子搜索能力变差。学者们提出许多的改进算法,使算法在性能及效率上都得到了较大的提高。然后要研究出精度更高、效率和性能更好的算法仍是研究者们重要的目标。本文首先介绍径向基神经网络算法,深入研究RBF算法的原理,参数的设置、流程,接着探讨粒子群算法,研究它的算法思想运行模式以及标准算法得到的更新公式,最后通过粒子群算法对RBF神经网络...
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 RBF神经网络研究现状
1.2.2 粒子群算法研究现状
1.2.3 水质评价的研究现状
1.3 本文的主要研究内容和论文安排
1.3.1 本文的主要研究内容
1.3.2 本文的组织结构
第2章 径向基(RBF)神经网络和粒子群(PSO)算法
2.1 径向基(RBF)神经网络概述
2.1.1 RBF神经网络模型
2.1.2 RBF神经网络参数学习方法
2.1.3 有监督选取中心
2.1.4 正交最小二乘法RBF
2.1.5 神经网络采用MATLAB实现
2.2 粒子群算法的基本原理
2.2.1 标准粒子群算法介绍
2.2.2 标准粒子群算法流程
2.2.3 粒子群算法MATLAB工具箱介绍
2.2.4 粒子群算法应用与发展趋势
2.2.5 PSO算法在RBF神经网络中的应用
2.3 本章小结
第3章 改进的PSO-RBF神经网络控制算法
3.1 PSO算法研究方法
3.1.1 PSO算法评价标准
3.2 改进的PSO算法
3.2.1 引入平均极值因子进行速度更新引入
3.2.2 指数函数调整惯性权重
3.3 改进PSO算法的性能测试
3.3.1 测试函数介绍
3.3.2 测试结果分析
3.4 改进的PSO-RBF神经网络
3.4.1 基于指数函数调整惯性权重的PSO-RBF神经网络模型
3.4.2 三种不同的RBF神经网络在函数逼近中的应用
3.5 本章小结
第4章 改进的PSO-RBF神经网络在水质评价中的应用研究
4.1 水质评价研究的意义
4.1.1 水质评价的模型介绍
4.1.2 水质评价的主要指标
4.1.3 水质评价的步骤
4.2 基于改进的PSO-RBF神经网络水质评价模型
4.2.1 网络节点数确定及评判方法
4.2.2 实例分析和数据处理
4.2.3 评价结果对比分析
4.2.4 实验结果分析
4.3 本章小结
第5章 结论与展望
参考文献
致谢
在学期间的科研情况
【参考文献】：
期刊论文
[1]粒子群算法的改进与比较研究[J]. 武少华,高岳林. 合肥工业大学学报(自然科学版). 2019(02)
[2]基于混合粒子群算法的汽车零件精冲车间调度研究[J]. 梁文杰,王桂棠,陈志盛,吴佳毅. 机电工程技术. 2017(09)
[3]自适应惯性权重的改进粒子群算法[J]. 敖永才,师奕兵,张伟,李焱骏. 电子科技大学学报. 2014(06)
[4]PSO算法全局收敛性分析[J]. 张慧斌,王鸿斌,胡志军. 计算机工程与应用. 2011(34)
[5]水环境质量评价方法综述[J]. 李茜,张建辉,林兰钰,李名升,张殷俊. 现代农业科技. 2011(19)
[6]基于PSO-RBF神经网络模型的原水水质评价方法及应用[J]. 王冬生,李世华,周杏鹏. 东南大学学报(自然科学版). 2011(05)
[7]一种基于改进k-means的RBF神经网络学习方法[J]. 庞振,徐蔚鸿. 计算机工程与应用. 2012(11)
[8]水质监测在水资源保护中的作用[J]. 吴红燕. 电力学报. 2007(04)
[9]基于递归正交最小二乘的径向基函数网络人脸识别[J]. 黎云汉,朱善安. 信号处理. 2007(03)
[10]基于MATLAB的RBF神经网络建模及应用[J]. 王艳芹,张维. 大庆师范学院学报. 2007(02)
博士论文
[1]多目标粒子群优化算法的研究[D]. 徐鹤鸣.上海交通大学 2013
[2]基于改进粒子群神经网络的电信业务预测模型研究[D]. 李勇平.华南理工大学 2009
硕士论文
[1]基于RBF神经网络的动态迟滞非线性系统建模与控制[D]. 范家华.西南交通大学 2016
[2]基于AGA的RBF神经网络在电厂水质评价中的研究[D]. 罗金鸣.辽宁工程技术大学 2008
[3]基于神经网络的水质评价与预测的探索[D]. 杜伟.天津大学 2007
[4]基于人工神经网络吉林市地下水水质现状评价及预测研究[D]. 张伟.吉林大学 2007
[5]基于规则的知识系统在水质评价中的应用研究[D]. 谈鹏程.河海大学 2006
本文编号：3691353
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 RBF神经网络研究现状
1.2.2 粒子群算法研究现状
1.2.3 水质评价的研究现状
1.3 本文的主要研究内容和论文安排
1.3.1 本文的主要研究内容
1.3.2 本文的组织结构
第2章 径向基(RBF)神经网络和粒子群(PSO)算法
2.1 径向基(RBF)神经网络概述
2.1.1 RBF神经网络模型
2.1.2 RBF神经网络参数学习方法
2.1.3 有监督选取中心
2.1.4 正交最小二乘法RBF
2.1.5 神经网络采用MATLAB实现
2.2 粒子群算法的基本原理
2.2.1 标准粒子群算法介绍
2.2.2 标准粒子群算法流程
2.2.3 粒子群算法MATLAB工具箱介绍
2.2.4 粒子群算法应用与发展趋势
2.2.5 PSO算法在RBF神经网络中的应用
2.3 本章小结
第3章 改进的PSO-RBF神经网络控制算法
3.1 PSO算法研究方法
3.1.1 PSO算法评价标准
3.2 改进的PSO算法
3.2.1 引入平均极值因子进行速度更新引入
3.2.2 指数函数调整惯性权重
3.3 改进PSO算法的性能测试
3.3.1 测试函数介绍
3.3.2 测试结果分析
3.4 改进的PSO-RBF神经网络
3.4.1 基于指数函数调整惯性权重的PSO-RBF神经网络模型
3.4.2 三种不同的RBF神经网络在函数逼近中的应用
3.5 本章小结
第4章 改进的PSO-RBF神经网络在水质评价中的应用研究
4.1 水质评价研究的意义
4.1.1 水质评价的模型介绍
4.1.2 水质评价的主要指标
4.1.3 水质评价的步骤
4.2 基于改进的PSO-RBF神经网络水质评价模型
4.2.1 网络节点数确定及评判方法
4.2.2 实例分析和数据处理
4.2.3 评价结果对比分析
4.2.4 实验结果分析
4.3 本章小结
第5章 结论与展望
参考文献
致谢
在学期间的科研情况
【参考文献】：
期刊论文
[1]粒子群算法的改进与比较研究[J]. 武少华,高岳林. 合肥工业大学学报(自然科学版). 2019(02)
[2]基于混合粒子群算法的汽车零件精冲车间调度研究[J]. 梁文杰,王桂棠,陈志盛,吴佳毅. 机电工程技术. 2017(09)
[3]自适应惯性权重的改进粒子群算法[J]. 敖永才,师奕兵,张伟,李焱骏. 电子科技大学学报. 2014(06)
[4]PSO算法全局收敛性分析[J]. 张慧斌,王鸿斌,胡志军. 计算机工程与应用. 2011(34)
[5]水环境质量评价方法综述[J]. 李茜,张建辉,林兰钰,李名升,张殷俊. 现代农业科技. 2011(19)
[6]基于PSO-RBF神经网络模型的原水水质评价方法及应用[J]. 王冬生,李世华,周杏鹏. 东南大学学报(自然科学版). 2011(05)
[7]一种基于改进k-means的RBF神经网络学习方法[J]. 庞振,徐蔚鸿. 计算机工程与应用. 2012(11)
[8]水质监测在水资源保护中的作用[J]. 吴红燕. 电力学报. 2007(04)
[9]基于递归正交最小二乘的径向基函数网络人脸识别[J]. 黎云汉,朱善安. 信号处理. 2007(03)
[10]基于MATLAB的RBF神经网络建模及应用[J]. 王艳芹,张维. 大庆师范学院学报. 2007(02)
博士论文
[1]多目标粒子群优化算法的研究[D]. 徐鹤鸣.上海交通大学 2013
[2]基于改进粒子群神经网络的电信业务预测模型研究[D]. 李勇平.华南理工大学 2009
硕士论文
[1]基于RBF神经网络的动态迟滞非线性系统建模与控制[D]. 范家华.西南交通大学 2016
[2]基于AGA的RBF神经网络在电厂水质评价中的研究[D]. 罗金鸣.辽宁工程技术大学 2008
[3]基于神经网络的水质评价与预测的探索[D]. 杜伟.天津大学 2007
[4]基于人工神经网络吉林市地下水水质现状评价及预测研究[D]. 张伟.吉林大学 2007
[5]基于规则的知识系统在水质评价中的应用研究[D]. 谈鹏程.河海大学 2006
本文编号：3691353
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3691353.html
