改进并行粒子群算法优化RBF神经网络建模

摘要：

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO).该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛.将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真.结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度.

关键词：并行粒子群算法、自适应变异操作、径向基函数(RBF)神经网络、平均适应度、功放建模

所属期刊栏目：53

分类号：TP301.6;TP391.9(计算技术、计算机技术)

资助基金：国家自然科学基金61372058;辽宁省高校优秀科技人才支持计划LR2013012;辽宁省教育厅科学研究一般项目L2015209;横向基金14-2097-1

在线出版日期：2017-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：45-50