基于优化算法的径向基神经网络模型的改进及应用

发布时间：2017-08-14 20:26

  本文关键词：基于优化算法的径向基神经网络模型的改进及应用

  更多相关文章： 径向基神经网络 粒子群算法 指数下降惯性权重 AdaBoost算法 MEMS矢量水听器阵列 DOA估计

【摘要】：神经网络和智能优化算法的组合算法是智能信息处理的主要工具，在空气质量预测、经济预测、声纳、传感器、雷达、通信等领域，很多智能优化算法和神经网络的组合模型及改进模型被提出。神经网络研究主要包括网络模型的拓扑结构、参数选取等。粒子群算法的研究主要包括种群拓扑结构、惯性权重选取、PSO多样性等。针对智能信息处理应用中，径向基神经网络的模型机制以及粒子群智能算法的研究基础，本文提出了不同的径向基神经网络和粒子群算法的结合模型。 为了更好地平衡粒子群的全局开发能力和局部探测能力，指数下降惯性权重PSO算法被提出。在迭代早期，惯性权重以较快的速度下降，使粒子群较快搜索到可行解区域；在迭代后期，惯性权重以较慢的速度下降，使得粒子群在可行解区域里微调搜索到全局最优解。将EDIW-PSO算法与RBF神经网络结合，建立了EDIW-PS-RBF神经网络模型，优化了网络参数和模型。通过空气质量预测实验与其他三种惯性权重策略PSO算法结合的RBF神经网络模型进行了比较，证明了采用指数下降惯性权重策略PSO算法训练RBF神经网络比其他算法更有效，预测精度更高。 为了泛化径向基函数的分布形状，扩展标准Gauss函数形状参数的选取，径向基函数采用广义高斯函数，构建GRBF神经网络。GRBF神经网络中的参数除了中心、宽度和连接权值外，还需要调节径向基函数的形状参数。将EDIW-PSO算法与GRBF神经网络结合，优化了隐含层各个神经元的参数。同时，将AdaBoost算法的集成学习能力用于GRBF神经网络的连接权值选取，将各个隐含层神经元作为AdaBoost算法的一个弱预测器，将整个GRBF神经网络作为一个强预测器。建立了EDIW-PSO-AdaBoost-GRBF神经网络模型，通过二维非线性函数逼近和上证指数时间序列预测验证了模型的有效性，具有较高的精度。 矢量水听器阵列对水下目标的信息探测和DOA估计成为海洋探测以及海上军事的一个重要研究方向。一方面，，将EDIW-PSO-GRNN神经网络模型和EDIW-PSO-AdaBoost-GRBF神经网络模型代替原来的MUSIC算法应用于MEMS矢量水听器阵列的DOA估计。首先将MUSIC算法实值化，减小了MUSIC算法在DOA估计中的计算量。另一方面，利用EDIW-PSO算法的强大搜索能力优化实值MUSIC算法，提高了MUSIC算法在DOA估计中的精度。在神经网络模型进行DOA估计应用中，将实值化后的协方差矩阵C的第一行作为神经网络的输入，将声源入射角度作为神经网络的输出。在神经网络训练阶段，分别取不同的入射角度，通过矢量阵列模型输入与输出的映射关系得到不同的实值化协方差矩阵，产生一组训练样本集，将矢量阵列接受数据的实值化协方差矩阵的第一行作为测试样本。训练神经网络，然后再对测试样本进行DOA估计。通过单声源仿真实验、多声源仿真实验和一组消声水池实验对我们提出的三种算法与原来的MUSIC算法进行比较，验证了我们提出的EDIW-PSO算法提高了MUSIC算法的性能，也验证了两种神经网络模型在MEMS矢量水听器阵列目标定向工程应用中的有效性。
【关键词】：径向基神经网络 粒子群算法 指数下降惯性权重 AdaBoost算法 MEMS矢量水听器阵列 DOA估计
【学位授予单位】：中北大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP183
【目录】：

• 摘要5-7
• Abstract7-13
• 第一章 绪论13-26
• 1.1 研究背景及意义13-14
• 1.2 神经网络的理论基础及研究现状14-19
• 1.2.1 神经网络的理论基础14-17
• 1.2.2 经典网络机制模型17-18
• 1.2.3 神经网络的研究现状18-19
• 1.3 粒子群算法的研究现状19-23
• 1.3.1 粒子群算法的研究背景19-20
• 1.3.2 粒子群算法的研究现状20-23
• 1.4 本文主要研究内容23-24
• 1.5 本文主要创新点24-26
• 第二章 粒子群优化径向基神经网络的模型介绍26-43
• 2.1 径向基神经网络理论基础26-32
• 2.1.1 径向基神经网络机制模型26-27
• 2.1.2 径向基函数27-29
• 2.1.3 径向基神经网络参数的学习29-32
• 2.2 广义回归神经网络32-35
• 2.2.1 广义回归神经网络的数学理论基础32-33
• 2.2.2 广义回归神经网络模型机制33-34
• 2.2.3 广义回归神经网络参数的学习34-35
• 2.3 粒子群算法的理论基础35-39
• 2.3.1 粒子群算法理论基础35-38
• 2.3.2 粒子群算法的流程38-39
• 2.3.3 标准 PSO 算法中惯性权重的学习39
• 2.4 粒子群算法优化径向基神经网络的模型及研究现状39-42
• 2.4.1 粒子群优化径向基神经网络的模型39-41
• 2.4.2 粒子群优化径向基神经网络的研究现状41-42
• 2.5 本章小结42-43
• 第三章 基于指数下降 PSO 的 RBF 神经网络43-57
• 3.1 惯性权重的研究现状43-46
• 3.2 改进的 PSO 算法46-49
• 3.2.1 指数下降惯性权重46-47
• 3.2.2 控制参数 c 的分析47-49
• 3.3 基于指数下降惯性权重 PSO 的 RBF 神经网络模型49-51
• 3.4 空气质量指数预测实验及结果51-56
• 3.5 本章小结56-57
• 第四章 基于 EDIW-PSO 和 AdaBoost 算法的 GRBF 神经网络57-75
• 4.1 GRBF 神经网络机制模型57-60
• 4.1.1 广义高斯分布函数57-59
• 4.1.2 广义径向基神经网络机制模型59-60
• 4.2 AdaBoost 算法60-62
• 4.2.1 AdaBoost 算法简介60-61
• 4.2.2 AdaBoost 算法描述61-62
• 4.3 基于 EDIW-PSO 和 AdaBoost 算法的 GRBF 神经网络模型62-64
• 4.4 实验结果64-74
• 4.4.1 二维非线性函数逼近65-69
• 4.4.2 时间序列预测69-74
• 4.5 本章小结74-75
• 第五章 智能优化算法在矢量阵 DOA 估计中的应用75-91
• 5.1 研究背景及意义75-76
• 5.2 矢量阵列信号处理模型76-78
• 5.3 矢量阵 DOA 估计的 EDIW-PSO 优化实值化 MUSIC 算法模型78-79
• 5.4 矢量阵 DOA 估计的神经网络模型79-81
• 5.4.1 矢量阵 DOA 估计的 EDIW-PSO-GRNN 神经网络模型80-81
• 5.4.2 矢量阵 DOA 估计的 EDIW-PSO-AdaBoost-GRNN 神经网络模型81
• 5.5 实验结果81-90
• 5.5.1 单声源 DOA 估计仿真实验82-85
• 5.5.2 多声源 DOA 估计仿真实验85-88
• 5.5.3 消声水池实验88-90
• 5.6 本章小结90-91
• 第六章 总结与展望91-93
• 参考文献93-104
• 攻读博士学位期间发表的论文及研究成果104-105
• 致谢105-107

【参考文献】

中国期刊全文数据库 前10条

1 林志玲;朱立忠;张大鹏;高立群;;基于粒子群广义神经网络的系统边际价格预测方法[J];电网技术;2007年01期

2 王改革;郭立红;段红;刘逻;王鹤淇;;基于Elman_AdaBoost强预测器的目标威胁评估模型及算法[J];电子学报;2012年05期

3 张e

本文编号：674557