張剛林，甘　敏，董學平，陳威兵
長沙學院電子與通信工程系，湖南長沙

合肥工業大學電氣與自動化工程學院，安徽合肥　

摘　　　要：神經網絡的輸入變量、隱含層結點以及中心的選擇對模型的性能都有重大的影響，以前的研究一般只考慮優化網絡的參數或其結點數。為解決這個問題，提出了一種新的全局優化算法來自動選擇ＲＢＦ神經網絡的輸入變量和結點數目，并同時優化其參數。在提出的算法中，ＲＢＦ網絡的結點數目、輸入變量的選擇和參數都采用二進制編碼，并用遺傳算法來優化。為提高算法的性能和收斂速度，在遺傳算法優化的同時引入了一種高性能的基于梯度的局部搜索算子（結構化的非線性參數優化方法）來優化ＲＢＦ網絡中的參數。Ｂｏｘ�玻剩澹睿耄椋睿竺簹鉅t標準時間序列的預測問題被用來檢驗算法的性能。實驗結果表明，提出的算法可以得到非常“緊湊”的ＲＢＦ網絡，且其性能優于其他一些算法。

關　鍵　詞：ＲＢＦ神經網絡；遺傳算法；混合優化方法

１　引　言
ＲＢＦ網絡自從由Ｂｒｏｏｍｈｅａｄ和Ｌｏｗｅ［１］引入到人工神經網絡以來一直是學術界研究和應用的熱點。由于其簡單的結構、非線性逼近的精度和快速學習的能力被廣泛地應用于模式識別、函數逼近、信號處理和時間序列預測等領域［２�玻担荨�應用ＲＢＦ神經網絡的一個難點是如何選擇網絡結構，優化模型參數，以及輸入層中的輸入變量選擇。當前，把“軟計算” （ｓｏｆｔｃｏｍｐｕｔｉｎｇ）的多種方法相混合被認為是很有前景的研究領域。特別是用遺傳算法來優化神經網絡已在大量的研究論文中出現［６］。然而，以前的一些研究絕大多數都只是優化ＲＢＦ網絡的參數，或其結點數。對于同時選擇結點數目，模型參數以及輸入變量在國內外還是很鮮見的。以往的研究［７�玻福荼砻鳎�輸入結點、隱含結點以及中心的選擇對模型的性能都有重大的影響。為解決以上問題，本文提出了一種新的算法來同時優化ＲＢＦ網絡的結構和參數。在這種方法中ＲＢＦ網絡的結點數目、輸入變量的選擇和參數都采用二進制編碼，并用遺傳算法來優化。為提高算法的性能和加速收斂，新算法引入了一種高性能的基于梯度的局部搜索算子［１０］來優化ＲＢＦ網絡中的參數。實驗結果表明新算法可以得到非常“緊湊” 的模型，且性能優于現存的其他一些算法。

登錄網站后可下載文件