基于改进RBF神经网络预测方法研究

摘要：

传统径向基函数(RBF,Radical Basis Function)神经网络存在训练速度慢、效率低的问题,本文提出AdaBoost算法结合粒子群优化算法(PSO,Particle Swarm Optimization)改进RBF神经网络的算法,提高网络的预测精度.首先对样本数据进行预处理和测试数据权值初始化;再使用改进的PSO算法优选不同的隐层函数、网络学习参数,生成不同类型的RBF弱预测器,使用弱预测器反复训练样本数据;最后利用AdaBoost迭代算法将多个生成的RBF弱预测器构造为强预测器.选用UCI数据库中的数据集做仿真实验,仿真的结果表明本文提出的算法相比传统RBF神经网络预测进一步降低了平均绝对误差,实验提高了网络的预测精度,为RBF神经网络预测提供参考.

关键词： RBF神经网络 径向基函数 AdaBoost算法 粒子群优化算法 预测精度

作者: 王媛媛 刘金岭

作者单位: 淮阴工学院计算机工程学院,江苏 淮安 223003;江苏省物联网移动互联技术工程实验室,江苏 淮安 223003

会议类型: 国内会议

会议名称: 2015年全国工业控制计算机技术年会

会议地点: 北京

会议语种:中文

页码: 373-381

在线出版日期: 2015-11-01（万方平台首次上网日期，不代表论文的发表时间）