本文關(guān)鍵詞：基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用

  更多相關(guān)文章： 徑向基神經(jīng)網(wǎng)絡(luò) 粒子群算法 指數(shù)下降慣性權(quán)重 AdaBoost算法 MEMS矢量水聽(tīng)器陣列 DOA估計(jì)

【摘要】：神經(jīng)網(wǎng)絡(luò)和智能優(yōu)化算法的組合算法是智能信息處理的主要工具，在空氣質(zhì)量預(yù)測(cè)、經(jīng)濟(jì)預(yù)測(cè)、聲納、傳感器、雷達(dá)、通信等領(lǐng)域，很多智能優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)的組合模型及改進(jìn)模型被提出。神經(jīng)網(wǎng)絡(luò)研究主要包括網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)、參數(shù)選取等。粒子群算法的研究主要包括種群拓?fù)浣Y(jié)構(gòu)、慣性權(quán)重選取、PSO多樣性等。針對(duì)智能信息處理應(yīng)用中，徑向基神經(jīng)網(wǎng)絡(luò)的模型機(jī)制以及粒子群智能算法的研究基礎(chǔ)，本文提出了不同的徑向基神經(jīng)網(wǎng)絡(luò)和粒子群算法的結(jié)合模型。 為了更好地平衡粒子群的全局開(kāi)發(fā)能力和局部探測(cè)能力，指數(shù)下降慣性權(quán)重PSO算法被提出。在迭代早期，慣性權(quán)重以較快的速度下降，使粒子群較快搜索到可行解區(qū)域；在迭代后期，慣性權(quán)重以較慢的速度下降，使得粒子群在可行解區(qū)域里微調(diào)搜索到全局最優(yōu)解。將EDIW-PSO算法與RBF神經(jīng)網(wǎng)絡(luò)結(jié)合，建立了EDIW-PS-RBF神經(jīng)網(wǎng)絡(luò)模型，優(yōu)化了網(wǎng)絡(luò)參數(shù)和模型。通過(guò)空氣質(zhì)量預(yù)測(cè)實(shí)驗(yàn)與其他三種慣性權(quán)重策略PSO算法結(jié)合的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較，證明了采用指數(shù)下降慣性權(quán)重策略PSO算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)比其他算法更有效，預(yù)測(cè)精度更高。 為了泛化徑向基函數(shù)的分布形狀，擴(kuò)展標(biāo)準(zhǔn)Gauss函數(shù)形狀參數(shù)的選取，徑向基函數(shù)采用廣義高斯函數(shù)，構(gòu)建GRBF神經(jīng)網(wǎng)絡(luò)。GRBF神經(jīng)網(wǎng)絡(luò)中的參數(shù)除了中心、寬度和連接權(quán)值外，還需要調(diào)節(jié)徑向基函數(shù)的形狀參數(shù)。將EDIW-PSO算法與GRBF神經(jīng)網(wǎng)絡(luò)結(jié)合，優(yōu)化了隱含層各個(gè)神經(jīng)元的參數(shù)。同時(shí)，將AdaBoost算法的集成學(xué)習(xí)能力用于GRBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值選取，將各個(gè)隱含層神經(jīng)元作為AdaBoost算法的一個(gè)弱預(yù)測(cè)器，將整個(gè)GRBF神經(jīng)網(wǎng)絡(luò)作為一個(gè)強(qiáng)預(yù)測(cè)器。建立了EDIW-PSO-AdaBoost-GRBF神經(jīng)網(wǎng)絡(luò)模型，通過(guò)二維非線性函數(shù)逼近和上證指數(shù)時(shí)間序列預(yù)測(cè)驗(yàn)證了模型的有效性，具有較高的精度。 矢量水聽(tīng)器陣列對(duì)水下目標(biāo)的信息探測(cè)和DOA估計(jì)成為海洋探測(cè)以及海上軍事的一個(gè)重要研究方向。一方面，，將EDIW-PSO-GRNN神經(jīng)網(wǎng)絡(luò)模型和EDIW-PSO-AdaBoost-GRBF神經(jīng)網(wǎng)絡(luò)模型代替原來(lái)的MUSIC算法應(yīng)用于MEMS矢量水聽(tīng)器陣列的DOA估計(jì)。首先將MUSIC算法實(shí)值化，減小了MUSIC算法在DOA估計(jì)中的計(jì)算量。另一方面，利用EDIW-PSO算法的強(qiáng)大搜索能力優(yōu)化實(shí)值MUSIC算法，提高了MUSIC算法在DOA估計(jì)中的精度。在神經(jīng)網(wǎng)絡(luò)模型進(jìn)行DOA估計(jì)應(yīng)用中，將實(shí)值化后的協(xié)方差矩陣C的第一行作為神經(jīng)網(wǎng)絡(luò)的輸入，將聲源入射角度作為神經(jīng)網(wǎng)絡(luò)的輸出。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，分別取不同的入射角度，通過(guò)矢量陣列模型輸入與輸出的映射關(guān)系得到不同的實(shí)值化協(xié)方差矩陣，產(chǎn)生一組訓(xùn)練樣本集，將矢量陣列接受數(shù)據(jù)的實(shí)值化協(xié)方差矩陣的第一行作為測(cè)試樣本。訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后再對(duì)測(cè)試樣本進(jìn)行DOA估計(jì)。通過(guò)單聲源仿真實(shí)驗(yàn)、多聲源仿真實(shí)驗(yàn)和一組消聲水池實(shí)驗(yàn)對(duì)我們提出的三種算法與原來(lái)的MUSIC算法進(jìn)行比較，驗(yàn)證了我們提出的EDIW-PSO算法提高了MUSIC算法的性能，也驗(yàn)證了兩種神經(jīng)網(wǎng)絡(luò)模型在MEMS矢量水聽(tīng)器陣列目標(biāo)定向工程應(yīng)用中的有效性。
【關(guān)鍵詞】：徑向基神經(jīng)網(wǎng)絡(luò) 粒子群算法 指數(shù)下降慣性權(quán)重 AdaBoost算法 MEMS矢量水聽(tīng)器陣列 DOA估計(jì)
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP183
【目錄】：

• 摘要5-7
• Abstract7-13
• 第一章 緒論13-26
• 1.1 研究背景及意義13-14
• 1.2 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)及研究現(xiàn)狀14-19
• 1.2.1 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)14-17
• 1.2.2 經(jīng)典網(wǎng)絡(luò)機(jī)制模型17-18
• 1.2.3 神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀18-19
• 1.3 粒子群算法的研究現(xiàn)狀19-23
• 1.3.1 粒子群算法的研究背景19-20
• 1.3.2 粒子群算法的研究現(xiàn)狀20-23
• 1.4 本文主要研究?jī)?nèi)容23-24
• 1.5 本文主要?jiǎng)?chuàng)新點(diǎn)24-26
• 第二章 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的模型介紹26-43
• 2.1 徑向基神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)26-32
• 2.1.1 徑向基神經(jīng)網(wǎng)絡(luò)機(jī)制模型26-27
• 2.1.2 徑向基函數(shù)27-29
• 2.1.3 徑向基神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)29-32
• 2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)32-35
• 2.2.1 廣義回歸神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理論基礎(chǔ)32-33
• 2.2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)模型機(jī)制33-34
• 2.2.3 廣義回歸神經(jīng)網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)34-35
• 2.3 粒子群算法的理論基礎(chǔ)35-39
• 2.3.1 粒子群算法理論基礎(chǔ)35-38
• 2.3.2 粒子群算法的流程38-39
• 2.3.3 標(biāo)準(zhǔn) PSO 算法中慣性權(quán)重的學(xué)習(xí)39
• 2.4 粒子群算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的模型及研究現(xiàn)狀39-42
• 2.4.1 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的模型39-41
• 2.4.2 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀41-42
• 2.5 本章小結(jié)42-43
• 第三章 基于指數(shù)下降 PSO 的 RBF 神經(jīng)網(wǎng)絡(luò)43-57
• 3.1 慣性權(quán)重的研究現(xiàn)狀43-46
• 3.2 改進(jìn)的 PSO 算法46-49
• 3.2.1 指數(shù)下降慣性權(quán)重46-47
• 3.2.2 控制參數(shù) c 的分析47-49
• 3.3 基于指數(shù)下降慣性權(quán)重 PSO 的 RBF 神經(jīng)網(wǎng)絡(luò)模型49-51
• 3.4 空氣質(zhì)量指數(shù)預(yù)測(cè)實(shí)驗(yàn)及結(jié)果51-56
• 3.5 本章小結(jié)56-57
• 第四章 基于 EDIW-PSO 和 AdaBoost 算法的 GRBF 神經(jīng)網(wǎng)絡(luò)57-75
• 4.1 GRBF 神經(jīng)網(wǎng)絡(luò)機(jī)制模型57-60
• 4.1.1 廣義高斯分布函數(shù)57-59
• 4.1.2 廣義徑向基神經(jīng)網(wǎng)絡(luò)機(jī)制模型59-60
• 4.2 AdaBoost 算法60-62
• 4.2.1 AdaBoost 算法簡(jiǎn)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 神經(jīng)網(wǎng)絡(luò)模型62-64
• 4.4 實(shí)驗(yàn)結(jié)果64-74
• 4.4.1 二維非線性函數(shù)逼近65-69
• 4.4.2 時(shí)間序列預(yù)測(cè)69-74
• 4.5 本章小結(jié)74-75
• 第五章 智能優(yōu)化算法在矢量陣 DOA 估計(jì)中的應(yīng)用75-91
• 5.1 研究背景及意義75-76
• 5.2 矢量陣列信號(hào)處理模型76-78
• 5.3 矢量陣 DOA 估計(jì)的 EDIW-PSO 優(yōu)化實(shí)值化 MUSIC 算法模型78-79
• 5.4 矢量陣 DOA 估計(jì)的神經(jīng)網(wǎng)絡(luò)模型79-81
• 5.4.1 矢量陣 DOA 估計(jì)的 EDIW-PSO-GRNN 神經(jīng)網(wǎng)絡(luò)模型80-81
• 5.4.2 矢量陣 DOA 估計(jì)的 EDIW-PSO-AdaBoost-GRNN 神經(jīng)網(wǎng)絡(luò)模型81
• 5.5 實(shí)驗(yàn)結(jié)果81-90
• 5.5.1 單聲源 DOA 估計(jì)仿真實(shí)驗(yàn)82-85
• 5.5.2 多聲源 DOA 估計(jì)仿真實(shí)驗(yàn)85-88
• 5.5.3 消聲水池實(shí)驗(yàn)88-90
• 5.6 本章小結(jié)90-91
• 第六章 總結(jié)與展望91-93
• 參考文獻(xiàn)93-104
• 攻讀博士學(xué)位期間發(fā)表的論文及研究成果104-105
• 致謝105-107

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 林志玲;朱立忠;張大鵬;高立群;;基于粒子群廣義神經(jīng)網(wǎng)絡(luò)的系統(tǒng)邊際價(jià)格預(yù)測(cè)方法[J];電網(wǎng)技術(shù);2007年01期

2 王改革;郭立紅;段紅;劉邏;王鶴淇;;基于Elman_AdaBoost強(qiáng)預(yù)測(cè)器的目標(biāo)威脅評(píng)估模型及算法[J];電子學(xué)報(bào);2012年05期

3 張e

本文編號(hào)：674557