本文關(guān)鍵詞：基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡模型的改進及應用

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

【摘要】：神經(jīng)網(wǎng)絡和智能優(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)量預測、經(jīng)濟預測、聲納、傳感器、雷達、通信等領(lǐng)域，很多智能優(yōu)化算法和神經(jīng)網(wǎng)絡的組合模型及改進模型被提出。神經(jīng)網(wǎng)絡研究主要包括網(wǎng)絡模型的拓撲結(jié)構(gòu)、參數(shù)選取等。粒子群算法的研究主要包括種群拓撲結(jié)構(gòu)、慣性權(quán)重選取、PSO多樣性等。針對智能信息處理應用中，徑向基神經(jīng)網(wǎng)絡的模型機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發(fā)能力和局部探測能力，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)絡結(jié)合，建立了EDIW-PS-RBF神經(jīng)網(wǎng)絡模型，優(yōu)化了網(wǎng)絡參數(shù)和模型。通過空氣質(zhì)量預測實驗與其他三種慣性權(quán)重策略PSO算法結(jié)合的RBF神經(jīng)網(wǎng)絡模型進行了比較，證明了采用指數(shù)下降慣性權(quán)重策略PSO算法訓練RBF神經(jīng)網(wǎng)絡比其他算法更有效，預測精度更高。 為了泛化徑向基函數(shù)的分布形狀，擴展標準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。GRBF神經(jīng)網(wǎng)絡中的參數(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)絡結(jié)合，優(yōu)化了隱含層各個神經(jīng)元的參數(shù)。同時，將AdaBoost算法的集成學習能力用于GRBF神經(jīng)網(wǎng)絡的連接權(quán)值選取，將各個隱含層神經(jīng)元作為AdaBoost算法的一個弱預測器，將整個GRBF神經(jīng)網(wǎng)絡作為一個強預測器。建立了EDIW-PSO-AdaBoost-GRBF神經(jīng)網(wǎng)絡模型，通過二維非線性函數(shù)逼近和上證指數(shù)時間序列預測驗證了模型的有效性，具有較高的精度。 矢量水聽器陣列對水下目標的信息探測和DOA估計成為海洋探測以及海上軍事的一個重要研究方向。一方面，，將EDIW-PSO-GRNN神經(jīng)網(wǎng)絡模型和EDIW-PSO-AdaBoost-GRBF神經(jīng)網(wǎng)絡模型代替原來的MUSIC算法應用于MEMS矢量水聽器陣列的DOA估計。首先將MUSIC算法實值化，減小了MUSIC算法在DOA估計中的計算量。另一方面，利用EDIW-PSO算法的強大搜索能力優(yōu)化實值MUSIC算法，提高了MUSIC算法在DOA估計中的精度。在神經(jīng)網(wǎng)絡模型進行DOA估計應用中，將實值化后的協(xié)方差矩陣C的第一行作為神經(jīng)網(wǎng)絡的輸入，將聲源入射角度作為神經(jīng)網(wǎng)絡的輸出。在神經(jīng)網(wǎng)絡訓練階段，分別取不同的入射角度，通過矢量陣列模型輸入與輸出的映射關(guān)系得到不同的實值化協(xié)方差矩陣，產(chǎn)生一組訓練樣本集，將矢量陣列接受數(shù)據(jù)的實值化協(xié)方差矩陣的第一行作為測試樣本。訓練神經(jīng)網(wǎng)絡，然后再對測試樣本進行DOA估計。通過單聲源仿真實驗、多聲源仿真實驗和一組消聲水池實驗對我們提出的三種算法與原來的MUSIC算法進行比較，驗證了我們提出的EDIW-PSO算法提高了MUSIC算法的性能，也驗證了兩種神經(jīng)網(wǎng)絡模型在MEMS矢量水聽器陣列目標定向工程應用中的有效性。
【關(guān)鍵詞】：徑向基神經(jīng)網(wǎng)絡 粒子群算法 指數(shù)下降慣性權(quán)重 AdaBoost算法 MEMS矢量水聽器陣列 DOA估計
【學位授予單位】：中北大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：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)絡的理論基礎(chǔ)及研究現(xiàn)狀14-19
• 1.2.1 神經(jīng)網(wǎng)絡的理論基礎(chǔ)14-17
• 1.2.2 經(jīng)典網(wǎng)絡機制模型17-18
• 1.2.3 神經(jīng)網(wǎng)絡的研究現(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 本文主要研究內(nèi)容23-24
• 1.5 本文主要創(chuàng)新點24-26
• 第二章 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡的模型介紹26-43
• 2.1 徑向基神經(jīng)網(wǎng)絡理論基礎(chǔ)26-32
• 2.1.1 徑向基神經(jīng)網(wǎng)絡機制模型26-27
• 2.1.2 徑向基函數(shù)27-29
• 2.1.3 徑向基神經(jīng)網(wǎng)絡參數(shù)的學習29-32
• 2.2 廣義回歸神經(jīng)網(wǎng)絡32-35
• 2.2.1 廣義回歸神經(jīng)網(wǎng)絡的數(shù)學理論基礎(chǔ)32-33
• 2.2.2 廣義回歸神經(jīng)網(wǎng)絡模型機制33-34
• 2.2.3 廣義回歸神經(jīng)網(wǎng)絡參數(shù)的學習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 標準 PSO 算法中慣性權(quán)重的學習39
• 2.4 粒子群算法優(yōu)化徑向基神經(jīng)網(wǎng)絡的模型及研究現(xiàn)狀39-42
• 2.4.1 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡的模型39-41
• 2.4.2 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡的研究現(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43-57
• 3.1 慣性權(quán)重的研究現(xiàn)狀43-46
• 3.2 改進的 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)絡模型49-51
• 3.4 空氣質(zhì)量指數(shù)預測實驗及結(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57-75
• 4.1 GRBF 神經(jīng)網(wǎng)絡機制模型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)絡機制模型59-60
• 4.2 AdaBoost 算法60-62
• 4.2.1 AdaBoost 算法簡介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)絡模型62-64
• 4.4 實驗結(jié)果64-74
• 4.4.1 二維非線性函數(shù)逼近65-69
• 4.4.2 時間序列預測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 估計中的應用75-91
• 5.1 研究背景及意義75-76
• 5.2 矢量陣列信號處理模型76-78
• 5.3 矢量陣 DOA 估計的 EDIW-PSO 優(yōu)化實值化 MUSIC 算法模型78-79
• 5.4 矢量陣 DOA 估計的神經(jīng)網(wǎng)絡模型79-81
• 5.4.1 矢量陣 DOA 估計的 EDIW-PSO-GRNN 神經(jīng)網(wǎng)絡模型80-81
• 5.4.2 矢量陣 DOA 估計的 EDIW-PSO-AdaBoost-GRNN 神經(jīng)網(wǎng)絡模型81
• 5.5 實驗結(jié)果81-90
• 5.5.1 單聲源 DOA 估計仿真實驗82-85
• 5.5.2 多聲源 DOA 估計仿真實驗85-88
• 5.5.3 消聲水池實驗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93-104
• 攻讀博士學位期間發(fā)表的論文及研究成果104-105
• 致謝105-107

【參考文獻】

中國期刊全文數(shù)據(jù)庫 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)絡的系統(tǒng)邊際價格預測方法[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強預測器的目標威脅評估模型及算法[J];電子學報;2012年05期

3 張e

本文編號：674557