基于改进遗传算法的RBF神经网络结构优化研究

计算机工程与科学

基于改进遗传算法的RBF神经网络结构优化研究

文常保，马文博，刘鹏里

（长安大学电子与控制工程学院微纳电子研究所，陕西西安 710064）

收稿日期:2018-07-18 修回日期:2018-09-06 出版日期:2019-05-25 发布日期:2019-05-25
基金资助:
国家自然科学基金(61701044)；陕西省自然科学基础研究计划(2018JQ6056,2018XNCGG01)；中央高校教育教学改革专项经费
（300103190537,300104283215）

RBF neural network structure optimization

based on improved genetic algorithm

WEN Changbao,MA Wenbo,LIU Pengli

（Institute of MicroNanoelectronics,School of Electronics and Control Engineering,

Chang’an University,Xi’an 710064,China）

Received:2018-07-18 Revised:2018-09-06 Online:2019-05-25 Published:2019-05-25

摘要/Abstract

摘要：

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题，提出了一种基于改进遗传算法（IGA）的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构，通过对隐含层输出矩阵的列向量进行全局寻优，从而设计出结构更优的基于IGA的RBF神经网络（IGARBF）。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型，与基于正交最小二乘法的RBF神经网络进行比较的结果表明：IGA-RBF神经网络设计出来的网络训练步数减少了44步，隐含层节点数减少了34个，且预测模型得到的温湿度误差较小，拟合精度大于0.95，具有更高的预测精度。

关键词: 改进遗传算法, RBF神经网络, 结构优化, 环境预测

Abstract:

In order to deal with the complex structure of radial basis function (RBF) neural networks due to the excessive number of hidden layer nodes, we propose a RBF neural network structure optimization algorithm based on an improved genetic algorithm (IGA). The IGA is used to optimize the RBF neural network structure based on orthogonal least squares. We globally optimize the column vectors of the output matrixes of the hidden layers to design a RBF network with better structure based on IGA optimization (IGARBF). The algorithm is applied to a temperature and humidity prediction model for the electronic components storage environment. Results show that compared with the RBF neural network structure based on orthogonal least squares, the number of the hidden layer nodes of IGARBF network is reduced by 34, and the number of training steps is reduced by 44. The errors of temperature and humidity of the prediction model for the electronic components storage environment are smaller, and the fitting accuracy is greater than 0.95, thus having better prediction accuracy.

Key words: improved genetic algorithm (IGA), radial basis function (RBF) neural network, structure optimization, environment prediction

文常保，马文博，刘鹏里. 基于改进遗传算法的RBF神经网络结构优化研究[J]. 计算机工程与科学.

WEN Changbao,MA Wenbo,LIU Pengli.

RBF neural network structure optimization

based on improved genetic algorithm

[J]. Computer Engineering & Science.

[1]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[2]	谢俊标, 江峰, 杜军威, 赵军. 基于改进人工鱼群算法与RBF神经网络的股票价格预测[J]. 计算机工程与科学, 2022, 44(11): 2080-2090.
[3]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[4]	闫雪飞,李新明,刘东,刘德生,李强. 基于强化学习的体系对抗仿真战役层次指控算法[J]. 计算机工程与科学, 2018, 40(08): 1511-1520.
[5]	南敬昌，陆亚男，高明明. 基于改进混合算法优化RBF网络的滤波器建模[J]. 计算机工程与科学, 2018, 40(07): 1329-1336.
[6]	张昆,刘骁,郑方,谢向辉. 众核处理器的共享一级指令缓存研究[J]. 计算机工程与科学, 2017, 39(05): 834-840.
[7]	司秀丽，刘子琦. 基于混合算法的通信用户规模预测方法研究[J]. 计算机工程与科学, 2017, 39(03): 567-571.
[8]	黄文明，徐双双，邓珍荣，雷茜茜. 改进人工蜂群算法优化RBF神经网络的短时交通流预测[J]. J4, 2016, 38(04): 713-719.
[9]	李大林1，王军波1，沈晓军1，李杰2. 基于改进遗传算法的多巡飞器空投任务介入点优化方法[J]. J4, 2012, 34(6): 131-135.
[10]	石伟,苏博,任洪广,王志英. 一种低功耗异步乘法器的研究与实现[J]. J4, 2012, 34(5): 73-77.
[11]	高鹏毅1，陈传波1，秦升2，胡迎松1. 一种新的基于Agent的神经网络隐层节点数的优化算法[J]. J4, 2010, 32(5): 30-33.
[12]	李晓东，曾凡智，陈广义，丁伟雄. 城市交通多线路协调控制优化仿真系统设计[J]. J4, 2010, 32(10): 126-130.
[13]	谢超高大启. 一种基于傅里叶变换的RBF神经网络函数逼近方法[J]. J4, 2005, 27(2): 47-49.
[14]	何小娟曾建潮徐玉斌. 基于思维进化算法的神经网络权值与结构优化[J]. J4, 2004, 26(5): 38-42.