CN111709524A - 一种基于改进gwo算法的rbf神经网络优化方法 - Google Patents

一种基于改进gwo算法的rbf神经网络优化方法 Download PDF

Info

Publication number
CN111709524A
CN111709524A CN202010631143.8A CN202010631143A CN111709524A CN 111709524 A CN111709524 A CN 111709524A CN 202010631143 A CN202010631143 A CN 202010631143A CN 111709524 A CN111709524 A CN 111709524A
Authority
CN
China
Prior art keywords
wolf
neural network
population
rbf neural
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010631143.8A
Other languages
English (en)
Inventor
何康宁
尚尚
王召斌
刘明
杨童
李维燕
李朕
陈康宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202010631143.8A priority Critical patent/CN111709524A/zh
Publication of CN111709524A publication Critical patent/CN111709524A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于神经网络优化的技术领域，具体地说，是一种基于改进GWO算法的RBF神经网络优化方法，通过设置阈值将灰狼种群分为两个子种群，分别执行不同的搜索策略，将改进的GWO优化算法用于寻找RBF神经网络的最优初始参数，建立RBF神经网络的海杂波预测模型，对海杂波进行预测和抑制。本发明通过计算每一代种群的适应度均值，动态的设置适应度阈值，适应度高于这一阈值的灰狼执行大范围搜索的策略，反之则执行小范围探索的策略，使得每一代种群都兼有全局搜索和局部探索能力，提高了GWO算法的收敛速度和后期寻优的精度。将改进的GWO优化算法用于优化RBF神经网络的初始参数，进一步提升了网络得稳定性和精度。

Description

一种基于改进GWO算法的RBF神经网络优化方法
技术领域
本发明属于神经网络优化技术领域，具体地说，是一种基于改进GWO算法的RBF神经网络优化方法。
背景技术
在军事和民用领域，雷达已经成为必不可少的一部分。雷达应用在海上目标检测时，往往会有大量的海杂波叠加在回波信号中，海杂波的存在给海上目标的有效检测带来了极大的挑战，对海杂波的精确预测和抑制成为了海上目标检测必不可少的一步。
学者对海杂波早期的研究是从它的统计特性开始的，但是海杂波经典的统计特性模型以及其改进模型均不能准确描述海杂波，并且针对不同海况没有普适性的统计特性模型。进一步的研究发现，海杂波具有混沌特性，通过学习海杂波内在的动力学规律，就能通过建立预测模型对其进行准确的预测和抑制。径向基(Radial Basis Function,RBF)神经网络具有强大的非线性映射能力，对海杂波动力学特征的学习有着先天优势。RBF神经网络初始参数的选取直接影响着预测模型的鲁棒性和准确性，因此，引入灰狼优化(Grey WolfOptimization，GWO)算法用于优化RBF神经网络的初始参数，进一步提高RBF神经网络预测模型的预测能力。
GWO算法的基本思想是模仿自然界中灰狼捕食行为得出的，灰狼在捕猎过程中，整个种群被分为四个等级，分别是α狼、β狼、δ狼和ω狼。其中α狼是整个狼群中的最高指挥，领导狼群的狩猎行为，β狼和δ狼辅助α狼，并且当α狼丢失后，β狼和δ狼可以立即代替α狼的位置，其余的ω狼主要负责对猎物进行围捕。在算法实现过程中，α狼、β狼和δ狼是整个种群中适应度值最小的三个灰狼，就是离全局空间中最优值最近的三个灰狼，它们共同引导其他灰狼个体向全局最优方向迭代更新，最终找到全局最优值。GWO算法自2014年提出以来，已经在通信***、电力***、控制工程、计算机等多种领域得到有效的应用，GWO算法优化RBF神经网络的初始参数，消除了网络初始值对最终模型的负面影响，增强了RBF神经网络的鲁棒性和准确性。
GWO算法在迭代更新的过程中，收敛因子a控制每一个灰狼个体的搜索范围，a越大就越有利于全局搜索，反之则有利于局部探索。经典的GWO算法对收敛因子采用线性递减的策略，使α从刚开始的最大值2线性递减到最终的最小值0。这样前期所有的灰狼个体都进行大范围搜索，局部探索能力差，因而收敛速度较慢；到了后期，所有的灰狼个体都进行小范围的探索，忽略了周围解的信息，容易陷入局部最优。产生这两个问题的主要原因是经典的GWO算法忽略了灰狼种群的协同分工操作，使得所有灰狼均执行同样的搜索策略，搜索缺乏灵活性。
目前，对收敛因子策略的改进主要是将线性递减改为非线性递减，这种改进算法依然没有考虑到种群分工的问题，并不能从本质上解决收敛速度慢和易陷入局部最优这两个主要问题。因此，本发明设计了一种灰狼种群分工协同寻优的改进GWO算法，根据每一代的适应度平均值，动态的将种群分为两个子种群，执行不同搜索范围的搜索，使得整个迭代过程中每一代都有负责全局搜索和局部探索的灰狼个体，增加了搜索的灵活性，对提高算法的精度，增强对RBF神经网络的优化能力有着重要意义。
发明内容
本发明的目的在于解决现有的GWO算法收敛速度慢，以及后期搜索范围小，容易忽略周围最优解信息，易陷入局部最优的技术问题，在此基础上提出一种基于改进GWO算法的RBF神经网络优化方法。
本发明为实现上述目的，采用以下技术方案：
一种基于改进GWO算法的RBF神经网络优化方法，包括以下步骤：
步骤1：根据具体问题确定RBF神经网络的网络结构，计算所要优化的网络参数个数，将这些参数编码生成灰狼个体的位置矢量；
步骤2：设置灰狼种群规模，初始化灰狼种群的位置；
步骤3：将RBF神经网络的训练数据进行归一化处理；
步骤4：将一部分训练数据作为网络输入，根据网络输出与训练样本标签的误差，采用适应度函数计算当前每个灰狼个体的适应度值；
步骤5：根据种群适应度值的均值设置阈值，将种群分为精英狼和非精英狼两个子种群，更新位置时收敛因子分别执行不同的递减策略；
步骤6：将前三个适应度值较小的灰狼个体作为整个种群中的α狼、β狼和δ狼，共同引导其他灰狼个体向最优值进化，更新灰狼的位置；
步骤7：判断是否达到终止条件，达到终止条件后整个寻优过程结束，将最小适应度值对应的灰狼位置保存，映射成网络对应的参数，作为网络的最优初始参数，否则返回步骤5。
具体地，步骤2中种群混沌初始化采用Logistic映射，表达式如下：
Figure BDA0002568794930000031
式中，μ表示扰动参量，
Figure BDA0002568794930000032
表示第k个灰狼个体在第i维上的取值，
Figure BDA0002568794930000033
表示第k+1个灰狼个体在第i维上的取值。
具体地，步骤4中适应度函数如下式给出：
Figure BDA0002568794930000034
式中，Y表示网络的输出值，
Figure BDA0002568794930000035
表示训练样本的真实值，n表示训练样本个数，L表示网络输出个数。
具体地，步骤5中划分子种群的阈值设置如下式：
Figure BDA0002568794930000036
式中，ε表示划分种群的阈值，m表示种群规模，μ表示筛选权重，控制精英狼子种群占整个种群的比例，f表示灰狼个体的适应度值。
具体地，步骤5中划分种群时，筛选权重μ采用线性递减策略，表达式如下，
Figure BDA0002568794930000037
式中，μmax表示筛选权重最大值，μmin表示筛选权重最小值，取0.2，t表示当前迭代步数，tmax表示最大迭代步数。
具体地，步骤5中划分的两个子种群收敛因子采用不同的策略，当灰狼个体适应度值大于阈值ε时，收敛因子采用a1的策略，反之采用a2的策略，表达式如下：
a1＝2-t·(1/tmax)
a2＝1-t·(1/tmax)
具体地，步骤6中灰狼个***置的更新由下式给出，
Dα＝|C1·Xα(t)-X(t)|,
Dβ＝|C2·Xβ(t)-X(t)|,
Dδ＝|C3·Xδ(t)-X(t)|
Dα＝|C1·Xα(t)-X(t)|,
Dβ＝|C2·Xβ(t)-X(t)|,
Dδ＝|C3·Xδ(t)-X(t)|
Figure BDA0002568794930000041
式中，A和C均为随机量系数，控制灰狼搜索的范围，表达式由下给出，
A＝2a(r1-0.5),C＝2r2
r1,r2为[0,1]之间的随机数向量，a为收敛因子。
本发明采用以上技术方案，与现有技术相比的有益效果是：
1.现有的GWO算法在寻优的过程中，所有灰狼个体的收敛因子均采用同样的递减策略，整个过程中全局搜索和局部探索没有合理的分工，寻优缺乏灵活性，本发明设置动态阈值，整个寻优过程中种群被动态的分成两个子种群，分别执行全局搜索和局部探索，加快了收敛速度，避免了种群后期陷入局部最优，且计算消耗的时间更短。
2.现有技术寻找数据中心采用聚类算法，但聚类算法难以适应高维数据，本发明用GWO优化算法对网络的初始参数进行优化，避开了聚类算法这一缺陷，弥补了RBF神经网络在工程实现当中的不足，减小了初始参数对网络稳定性的不利影响，增加了RBF神经网络的精度；
附图说明
图1为本发明提供的一种基于改进GWO算法的RBF神经网络优化方法流程图；
图2为GWO算法寻优示意图；
图3为多输入单输出的RBF神经网络拓扑结构图；
图4为不同筛选权重的取值策略对算法寻优精度影响的结果图；
图5为算法测试函数的各项属性示意图；
图6为改进GWO算法对单峰函数的寻优结果图；
图7为改进GWO算法对多峰函数的寻优结果图；
图8为改进GWO算法及其对比算法运用在实例中的收敛曲线结果对比图。
具体实施方式
以下将结合附图来描述本发明的示例性实施方式。应当理解，所展示的附图以及描述的具体实施方式只是示例性的，旨在阐述本发明的应用原理，并非限制本发明的应用范围。
本发明公开了一种基于改进GWO算法的RBF神经网络优化方法，图2给出了GWO算法寻优的示意图，图3给出了RBF神经网络的拓扑结构，以RBF神经网络的海杂波预测模型为例进行说明，图1给出了该实例的具体实施步骤：
步骤1：确定网络拓扑结构，将需要优化的网络参数，包括数据中心参数、数据宽度参数和网络权重参数，通过编码生成灰狼个体的位置矢量，矢量维度就是参数的总个数，RBF神经网络的输入层到隐含层采用以下的高斯核函数进行连接，
Figure BDA0002568794930000051
其中，x为输入数据，c为数据中心，σ是数据宽度，图3中针对海杂波预测模型的实例，网络输出为1，输入层节点数为Xnum,隐含层节点数为cnum,可以得到灰狼个***置矢量的维数为：
N＝2·cnum+Xnum·cnum
步骤2：种群初始化时，不同网络参数编码后对应的位置初始化范围不同，由于训练数据经过了归一化处理，所以数据中心参数和数据宽度参数初始化范围设定在(0,1)之间，网络权重参数范围设定在(-1,1)之间，种群混沌初始化采用Logistic映射，表达式如下：
Figure BDA0002568794930000061
式中，μ表示扰动参量，取值为3.98，
Figure BDA0002568794930000062
表示第k个灰狼个体在第i维上的取值，
Figure BDA0002568794930000063
表示第k+1个灰狼个体在第i维上的取值。
步骤3：将RBF神经网络的训练数据进行归一化处理，归一化方法由下式给出：
Figure BDA0002568794930000064
式中，X表示原始数据，Xmin表示原始数据当中的最小值，Xmax表示原始数据当中的最小值，Xnorm表示归一化后的数据。
步骤4：将一部分训练数据作为网络的输入，根据网络的输出与训练样本标签的误差，采用适应度函数计算当前每一个灰狼个体的适应度值，适应度函数由下式给出：
Figure BDA0002568794930000065
其中，Y表示网络的输出值，
Figure BDA0002568794930000066
表示训练样本的真实值，n表示训练样本个数，L表示网络输出个数。
步骤5：每一代均根据灰狼种群的适应度值均值设置阈值，将灰狼种群划分为精英狼子种群和非精英狼子种群，阈值的设置方式如下：
Figure BDA0002568794930000067
式中，ε表示划分种群的阈值，m表示种群规模，μ表示筛选权重，控制精英狼子种群占整个种群的比例，f表示灰狼个体的适应度值，图4给出了不同筛选权重取值策略对算法寻优结果的影响，每一个筛选权重均进行30次实验取适应度均值，其中最小值落在线性递减的筛选权重策略当中，因此，筛选权重μ采用线性递减策略，表达式如下：
Figure BDA0002568794930000068
式中，μmax表示筛选权重最大值，取0.8，μmin表示筛选权重最小值，取0.2，t表示当前迭代步数，tmax表示最大迭代步数，划分的两个子种群收敛因子采用不同的策略，当灰狼个体适应度值大于阈值ε时，收敛因子采用a1的策略，反之采用a2的策略，表达式如下：
a1＝2-t·(1/tmax)
a2＝1-t·(1/tmax)
步骤6：根据下式更新灰狼给的位置，
Dα＝|C1·Xα(t)-X(t)|,
Dβ＝|C2·Xβ(t)-X(t)|,
Dδ＝|C3·Xδ(t)-X(t)|
X1(t+1)＝Xα(t)-A1·Dα,
X2(t+1)＝Xβ(t)-A2·Dβ,
X3(t+1)＝Xδ(t)-A3·Dδ
Figure BDA0002568794930000071
式中，A和C均为随机量系数，控制灰狼搜索的范围，随机量系数公式由下面出，
A＝2a(r1-0.5),C＝2r2
式中，r1,r2为[0,1]之间的随机数向量，a为收敛因子。
步骤7：判断当前迭代是否达到设置的最大迭代步数，达到最大的迭代步数后，输出当前最小适应度值对应的灰狼个***置，将该位置矢量映射成对应的网络参数，作为RBF神经网络的最优初始参数。
为检验改进GWO算法(IGWO)的实际效果，选用6个标准测试函数作为测试，图5给出了测试函数的各项属性，其中f1和f2是单峰测试函数，f3和f4是多峰测试函数，f5和f6是固定维数的多峰测试函数，用线性递减惯性权重策略的PSO算法和标准GWO算法作为对比算法，每个算法均运行30次，取最优适应度值的均值和标准差均值，实验结果由下表1给出：
表1不同算法对测试函数的寻优结果
Figure BDA0002568794930000081
从表中可以看出，改进算法在寻找各类测试函数的最优值时，精度和稳定性都是最高的，为了更加直观的表现出改进算法寻优过程中的收敛情况，图6和图7分别给出单峰测试函数和多峰测试函数在寻优过程中的收敛曲线，改进的GWO优化算法收敛速度更快，且在寻优精度上均高于其他两种对比算法。
为了检验改进GWO算法在具体问题中的效果，以上述实施例为背景进行仿真实验，采用不同优化算法优化RBF神经网络，建立海杂波的预测模型，对海杂波实现预测，将不同算法优化后的网络预测模型用于同一组带背景噪声的海杂波预测，为消除随机性对实验的影响，每种算法均仿真30次取均值，实验结果由下表2给出：
表2不同优化算法优化RBF神经网络对海杂波的预测效果
Figure BDA0002568794930000082
为更加直观的表现出各种优化算法在具体问题中的寻优能力，以实施例为背景，对RBF神经网络的数据中心、数据宽度和网络权重进行寻优，三种优化算法均设置迭代步数为300步，种群规模为25，适应度值的收敛曲线由图8给出。
根据以上实验结果，改进的GWO优化算法寻优能力更强，在优化RBF神经网络的初始参数时，相对于比较算法来说，收敛速度更快、消耗时间更短、寻优的精度更高、优化后的网络模型稳定性更强，预测精度更高。
以上所述的具体实施方式，对本发明的目的、技术方案、实施方案以及有益效果做了进一步的详细说明，上述实施例仅为进一步阐述发明原理，帮助读者理解本发明的设计思路，应被理解为本发明的保护范围不仅限于这样的特别陈述和实施例，凡在本发明原理之内，所做的任何修改、同等替换，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进GWO算法的RBF神经网络优化方法，其特征在于，该方法包含下列步骤：
步骤1：根据具体问题确定RBF神经网络的网络结构，计算所要优化的网络参数个数，将这些参数编码生成灰狼个体的位置矢量；
步骤2：设置灰狼种群规模，采用混沌初始化方法初始化灰狼种群的位置；
步骤3：将RBF神经网络的训练数据进行归一化处理；
步骤4：将一部分训练数据作为网络输入，根据网络输出与训练样本标签的误差，采用适应度函数计算当前每个灰狼个体的适应度值；
步骤5：根据每一代种群的适应度值均值动态的设置阈值，将种群分为精英狼和非精英狼两个子种群，更新位置时收敛因子分别执行不同的递减策略；
步骤6：将前三个适应度值较小的灰狼个体作为整个种群中的α狼、β狼和δ狼，共同引导其他灰狼个体向最优值进化，更新灰狼的位置；
步骤7：判断是否达到终止条件，达到终止条件后整个寻优过程结束，将最小适应度值对应的灰狼位置保存，映射成网络对应的参数，作为网络的最优初始参数，否则返回步骤4。
2.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤1所述网络参数个数为N，N满足下式：
N＝cnum+σnum+ωnum (1)
式(1)中cnum表示数据中心参数个数，σnum表示数据宽度参数个数，ωnum表示网络权重参数个数。
3.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤2中初始化灰狼位置，数据中心和数据宽度对应的参数初始化范围在(0，1)之间，网络权重对应的参数初始化范围在(-1，1)之间。
4.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤2中初始化灰狼位置采用混沌初始化方法，映射方式为Logistic映射，表达式如下：
Figure FDA0002568794920000011
式(2)中μ表示扰动参量，
Figure FDA0002568794920000012
表示第k个灰狼个体在第i维上的取值，
Figure FDA0002568794920000013
表示第k+1个灰狼个体在第i维上的取值。
5.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤4中适应度函数如下式给出：
Figure FDA0002568794920000021
式(3)中Y表示网络的输出值，
Figure FDA0002568794920000022
表示训练样本的真实值，n表示训练样本个数，L表示网络输出个数。
6.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤5中划分子种群的阈值设置如下式：
Figure FDA0002568794920000023
式(4)中ε表示划分种群的阈值，m表示种群规模，μ表示筛选权重，控制精英狼子种群占整个种群的比例，f表示灰狼个体的适应度值。
7.根据权利要求6所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤5中划分种群时，筛选权重μ采用线性递减策略，表达式如下：
Figure FDA0002568794920000024
式(5)中μmax表示筛选权重最大值，μmin表示筛选权重最小值，取0.2，t表示当前迭代步数，tmax表示最大迭代步数。
8.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤5中划分的两个子种群收敛因子采用不同的策略，当灰狼个体适应度值大于阈值ε时，收敛因子采用a1的策略，反之采用a2的策略，表达式如下：
Figure FDA0002568794920000025
9.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤6中灰狼个***置的更新由下式(7)-(9)给出，
Figure FDA0002568794920000026
Figure FDA0002568794920000031
Figure FDA0002568794920000032
式中，A和C均为随机量系数，控制灰狼搜索的范围。
10.根据权利要求1所述的基于改进GWO算法的RBF神经网络优化方法，其特征在于，步骤6灰狼个***置更新公式中，A和C是随机量系数，由下式给出，
A＝2a(r1-0.5)，C＝2r2 (10)
式(10)中r1，r2为[0，1]之间的随机数向量，a为收敛因子。
CN202010631143.8A 2020-07-03 2020-07-03 一种基于改进gwo算法的rbf神经网络优化方法 Pending CN111709524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010631143.8A CN111709524A (zh) 2020-07-03 2020-07-03 一种基于改进gwo算法的rbf神经网络优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010631143.8A CN111709524A (zh) 2020-07-03 2020-07-03 一种基于改进gwo算法的rbf神经网络优化方法

Publications (1)

Publication Number Publication Date
CN111709524A true CN111709524A (zh) 2020-09-25

Family

ID=72546489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010631143.8A Pending CN111709524A (zh) 2020-07-03 2020-07-03 一种基于改进gwo算法的rbf神经网络优化方法

Country Status (1)

Country Link
CN (1) CN111709524A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348080A (zh) * 2020-11-06 2021-02-09 北京石油化工学院 基于工控异常检测的rbf改进方法、装置和设备
CN112416913A (zh) * 2020-10-15 2021-02-26 中国人民解放军空军工程大学 一种基于gwo-bp算法的飞机燃油***状态缺失值补充方法
CN112461919A (zh) * 2020-11-10 2021-03-09 云南电网有限责任公司保山供电局 应用多频超声技术检测变压器油理化性能的***及方法
CN112507613A (zh) * 2020-12-01 2021-03-16 湖南工程学院 一种秒级超短期光伏功率预测方法
CN112947056A (zh) * 2021-03-04 2021-06-11 北京交通大学 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法
CN113159264A (zh) * 2020-11-12 2021-07-23 江西理工大学 一种入侵检测方法、***、设备及可读存储介质
CN113190931A (zh) * 2021-05-28 2021-07-30 辽宁大学 一种改进灰狼优化dbn-elm的亚健康状态识别方法
CN113239503A (zh) * 2021-05-10 2021-08-10 上海电气工程设计有限公司 基于改进k-means聚类算法的新能源出力场景分析方法及***
CN113313306A (zh) * 2021-05-28 2021-08-27 南京航空航天大学 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法
CN113609761A (zh) * 2021-07-21 2021-11-05 三明学院 一种模型参数的计算方法、装置、设备和存储介质
CN113923104A (zh) * 2021-12-07 2022-01-11 南京信息工程大学 基于小波神经网络的网络故障诊断方法、设备及存储介质
CN114545280A (zh) * 2022-02-24 2022-05-27 苏州市职业大学 一种基于寻优算法的新能源汽车锂电池寿命预测方法
CN114895206A (zh) * 2022-04-26 2022-08-12 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN115809427A (zh) * 2023-02-06 2023-03-17 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN116432687A (zh) * 2022-12-14 2023-07-14 江苏海洋大学 一种群体智能算法优化方法
CN116506307A (zh) * 2023-06-21 2023-07-28 大有期货有限公司 全链路的网络延时情况分析***
CN117452828A (zh) * 2023-12-22 2024-01-26 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及***

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112416913A (zh) * 2020-10-15 2021-02-26 中国人民解放军空军工程大学 一种基于gwo-bp算法的飞机燃油***状态缺失值补充方法
CN112348080A (zh) * 2020-11-06 2021-02-09 北京石油化工学院 基于工控异常检测的rbf改进方法、装置和设备
CN112461919A (zh) * 2020-11-10 2021-03-09 云南电网有限责任公司保山供电局 应用多频超声技术检测变压器油理化性能的***及方法
CN113159264A (zh) * 2020-11-12 2021-07-23 江西理工大学 一种入侵检测方法、***、设备及可读存储介质
CN113159264B (zh) * 2020-11-12 2022-06-21 江西理工大学 一种入侵检测方法、***、设备及可读存储介质
CN112507613B (zh) * 2020-12-01 2022-05-10 湖南工程学院 一种秒级超短期光伏功率预测方法
CN112507613A (zh) * 2020-12-01 2021-03-16 湖南工程学院 一种秒级超短期光伏功率预测方法
CN112947056A (zh) * 2021-03-04 2021-06-11 北京交通大学 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法
CN112947056B (zh) * 2021-03-04 2022-10-14 北京交通大学 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法
CN113239503A (zh) * 2021-05-10 2021-08-10 上海电气工程设计有限公司 基于改进k-means聚类算法的新能源出力场景分析方法及***
CN113190931A (zh) * 2021-05-28 2021-07-30 辽宁大学 一种改进灰狼优化dbn-elm的亚健康状态识别方法
CN113313306A (zh) * 2021-05-28 2021-08-27 南京航空航天大学 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法
CN113609761A (zh) * 2021-07-21 2021-11-05 三明学院 一种模型参数的计算方法、装置、设备和存储介质
CN113609761B (zh) * 2021-07-21 2024-02-20 三明学院 一种模型参数的计算方法、装置、设备和存储介质
CN113923104A (zh) * 2021-12-07 2022-01-11 南京信息工程大学 基于小波神经网络的网络故障诊断方法、设备及存储介质
CN114545280A (zh) * 2022-02-24 2022-05-27 苏州市职业大学 一种基于寻优算法的新能源汽车锂电池寿命预测方法
CN114545280B (zh) * 2022-02-24 2022-11-15 苏州市职业大学 一种基于寻优算法的新能源汽车锂电池寿命预测方法
CN114895206B (zh) * 2022-04-26 2023-04-28 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN114895206A (zh) * 2022-04-26 2022-08-12 合肥工业大学 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN116432687A (zh) * 2022-12-14 2023-07-14 江苏海洋大学 一种群体智能算法优化方法
CN115809427A (zh) * 2023-02-06 2023-03-17 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN115809427B (zh) * 2023-02-06 2023-05-12 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN116506307A (zh) * 2023-06-21 2023-07-28 大有期货有限公司 全链路的网络延时情况分析***
CN116506307B (zh) * 2023-06-21 2023-09-12 大有期货有限公司 全链路的网络延时情况分析***
CN117452828A (zh) * 2023-12-22 2024-01-26 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及***
CN117452828B (zh) * 2023-12-22 2024-03-01 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及***

Similar Documents

Publication Publication Date Title
CN111709524A (zh) 一种基于改进gwo算法的rbf神经网络优化方法
CN112232493A (zh) 一种基于改进鲸鱼算法的rbf神经网络优化方法
CN113627606A (zh) 一种基于改进粒子群算法的rbf神经网络优化方法
CN109993280A (zh) 一种基于深度学习的水下声源定位方法
CN113240069A (zh) 一种基于改进哈里斯鹰算法的rbf神经网络优化方法
CN115096590B (zh) 一种基于iwoa-elm的滚动轴承故障诊断方法
CN110046710A (zh) 一种神经网络的非线性函数极值优化方法及***
CN111027663A (zh) 一种改进樽海鞘群算法的方法
CN110826195A (zh) 一种基于蚁群优化bp神经网络的波浪补偿控制算法
CN114969995A (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
Saffari et al. Fuzzy Grasshopper Optimization Algorithm: A Hybrid Technique for Tuning the Control Parameters of GOA Using Fuzzy System for Big Data Sonar Classification.
CN114897144A (zh) 基于复值神经网络的复值时序信号预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN113722980A (zh) 海洋浪高预测方法、***、计算机设备、存储介质、终端
CN115272774A (zh) 基于改进自适应差分进化算法的对抗样本攻击方法及***
Miquel et al. Retinanet object detector based on analog-to-spiking neural network conversion
CN112881869A (zh) 一种电缆接头局部放电超声波序列预测方法
CN112257648A (zh) 基于改进的循环神经网络的信号分类识别方法
Zhao et al. A novel binary bat algorithm with chaos and Doppler effect in echoes for analog fault diagnosis
CN111967670A (zh) 一种基于改进灰狼算法的开关柜局放数据识别方法
Yang et al. Enhanced sparrow search algorithm based on improved game predatory mechanism and its application
WO2022242471A1 (en) Neural network configuration parameter training and deployment method and apparatus for coping with device mismatch
CN114004326B (zh) 一种基于改进郊狼算法的elm神经网络优化方法
CN116467941A (zh) 一种考虑不同风级条件下4自由度船舶运动在线预报方法
CN116340846A (zh) 一种弱监督下多示例多标签学习的混叠调制信号识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination