徑向基神經(jīng)網(wǎng)絡(luò)（RBF）因其收斂速度快、結(jié)構(gòu)簡單、能夠逼近任意非線性網(wǎng)絡(luò)的特點,逐步在各個行業(yè)和領(lǐng)域的得到了廣泛的應(yīng)用。但是在現(xiàn)實的應(yīng)用的過程中,傳統(tǒng)的算法雖然能快速的構(gòu)建網(wǎng)絡(luò),但是很難達到預(yù)期的效果,所以常常將該算法與優(yōu)化算法相結(jié)合來構(gòu)建網(wǎng)絡(luò),這種結(jié)合方式是目前神經(jīng)網(wǎng)絡(luò)研究的一個熱點。本文使用粒子群算法對徑向基神經(jīng)網(wǎng)絡(luò)與模型進行了優(yōu)化。粒子群算法作為一種具有實現(xiàn)容易、算法運行收斂快、運行結(jié)果精度高等優(yōu)點的并行算法,研究發(fā)現(xiàn),這種算法在實際應(yīng)用中具有其獨特的優(yōu)越性。同時PSO算法也存在缺點,如局部能力搜索能力差和早期收斂,在求解復(fù)雜問題時,如果沒有搜索到全局最優(yōu),粒子可能會保持在某個位置停滯不前;并且在后期當粒子在極值點附近時,此時搜索速度變得緩慢,這將會導(dǎo)致粒子搜索能力變差。學(xué)者們提出許多的改進算法,使算法在性能及效率上都得到了較大的提高。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們重要的目標。本文首先介紹徑向基神經(jīng)網(wǎng)絡(luò)算法,深入研究RBF算法的原理,參數(shù)的設(shè)置、流程,接著探討粒子群算法,研究它的算法思想運行模式以及標準算法得到的更新公式,最后通過粒子群算法對RBF神經(jīng)網(wǎng)絡(luò)... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 RBF神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.2 粒子群算法研究現(xiàn)狀
        1.2.3 水質(zhì)評價的研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容和論文安排
        1.3.1 本文的主要研究內(nèi)容
        1.3.2 本文的組織結(jié)構(gòu)
第2章 徑向基(RBF)神經(jīng)網(wǎng)絡(luò)和粒子群(PSO)算法
    2.1 徑向基(RBF)神經(jīng)網(wǎng)絡(luò)概述
        2.1.1 RBF神經(jīng)網(wǎng)絡(luò)模型
        2.1.2 RBF神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)方法
        2.1.3 有監(jiān)督選取中心
        2.1.4 正交最小二乘法RBF
        2.1.5 神經(jīng)網(wǎng)絡(luò)采用MATLAB實現(xiàn)
    2.2 粒子群算法的基本原理
        2.2.1 標準粒子群算法介紹
        2.2.2 標準粒子群算法流程
        2.2.3 粒子群算法MATLAB工具箱介紹
        2.2.4 粒子群算法應(yīng)用與發(fā)展趨勢
        2.2.5 PSO算法在RBF神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
    2.3 本章小結(jié)
第3章 改進的PSO-RBF神經(jīng)網(wǎng)絡(luò)控制算法
    3.1 PSO算法研究方法
        3.1.1 PSO算法評價標準
    3.2 改進的PSO算法
        3.2.1 引入平均極值因子進行速度更新引入
        3.2.2 指數(shù)函數(shù)調(diào)整慣性權(quán)重
    3.3 改進PSO算法的性能測試
        3.3.1 測試函數(shù)介紹
        3.3.2 測試結(jié)果分析
    3.4 改進的PSO-RBF神經(jīng)網(wǎng)絡(luò)
        3.4.1 基于指數(shù)函數(shù)調(diào)整慣性權(quán)重的PSO-RBF神經(jīng)網(wǎng)絡(luò)模型
        3.4.2 三種不同的RBF神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用
    3.5 本章小結(jié)
第4章 改進的PSO-RBF神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價中的應(yīng)用研究
    4.1 水質(zhì)評價研究的意義
        4.1.1 水質(zhì)評價的模型介紹
        4.1.2 水質(zhì)評價的主要指標
        4.1.3 水質(zhì)評價的步驟
    4.2 基于改進的PSO-RBF神經(jīng)網(wǎng)絡(luò)水質(zhì)評價模型
        4.2.1 網(wǎng)絡(luò)節(jié)點數(shù)確定及評判方法
        4.2.2 實例分析和數(shù)據(jù)處理
        4.2.3 評價結(jié)果對比分析
        4.2.4 實驗結(jié)果分析
    4.3 本章小結(jié)
第5章 結(jié)論與展望
參考文獻
致謝
在學(xué)期間的科研情況


【參考文獻】：
期刊論文
[1]粒子群算法的改進與比較研究[J]. 武少華,高岳林.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[2]基于混合粒子群算法的汽車零件精沖車間調(diào)度研究[J]. 梁文杰,王桂棠,陳志盛,吳佳毅.  機電工程技術(shù). 2017(09)
[3]自適應(yīng)慣性權(quán)重的改進粒子群算法[J]. 敖永才,師奕兵,張偉,李焱駿.  電子科技大學(xué)學(xué)報. 2014(06)
[4]PSO算法全局收斂性分析[J]. 張慧斌,王鴻斌,胡志軍.  計算機工程與應(yīng)用. 2011(34)
[5]水環(huán)境質(zhì)量評價方法綜述[J]. 李茜,張建輝,林蘭鈺,李名升,張殷俊.  現(xiàn)代農(nóng)業(yè)科技. 2011(19)
[6]基于PSO-RBF神經(jīng)網(wǎng)絡(luò)模型的原水水質(zhì)評價方法及應(yīng)用[J]. 王冬生,李世華,周杏鵬.  東南大學(xué)學(xué)報(自然科學(xué)版). 2011(05)
[7]一種基于改進k-means的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J]. 龐振,徐蔚鴻.  計算機工程與應(yīng)用. 2012(11)
[8]水質(zhì)監(jiān)測在水資源保護中的作用[J]. 吳紅燕.  電力學(xué)報. 2007(04)
[9]基于遞歸正交最小二乘的徑向基函數(shù)網(wǎng)絡(luò)人臉識別[J]. 黎云漢,朱善安.  信號處理. 2007(03)
[10]基于MATLAB的RBF神經(jīng)網(wǎng)絡(luò)建模及應(yīng)用[J]. 王艷芹,張維.  大慶師范學(xué)院學(xué)報. 2007(02)

博士論文
[1]多目標粒子群優(yōu)化算法的研究[D]. 徐鶴鳴.上海交通大學(xué) 2013
[2]基于改進粒子群神經(jīng)網(wǎng)絡(luò)的電信業(yè)務(wù)預(yù)測模型研究[D]. 李勇平.華南理工大學(xué) 2009

碩士論文
[1]基于RBF神經(jīng)網(wǎng)絡(luò)的動態(tài)遲滯非線性系統(tǒng)建模與控制[D]. 范家華.西南交通大學(xué) 2016
[2]基于AGA的RBF神經(jīng)網(wǎng)絡(luò)在電廠水質(zhì)評價中的研究[D]. 羅金鳴.遼寧工程技術(shù)大學(xué) 2008
[3]基于神經(jīng)網(wǎng)絡(luò)的水質(zhì)評價與預(yù)測的探索[D]. 杜偉.天津大學(xué) 2007
[4]基于人工神經(jīng)網(wǎng)絡(luò)吉林市地下水水質(zhì)現(xiàn)狀評價及預(yù)測研究[D]. 張偉.吉林大學(xué) 2007
[5]基于規(guī)則的知識系統(tǒng)在水質(zhì)評價中的應(yīng)用研究[D]. 談鵬程.河海大學(xué) 2006



本文編號：3691353