[发明专利]一种径向基神经网络基于离散粒子群训练的方法

摘要

本发明公开了一种径向基神经网络基于离散粒子群训练的方法，该方法结合离散粒子群自适应寻优和最优梯度下降法的特点，利用离散粒子群随机搜索功能和最优梯度法快速学习功能，弥补了传统神经网络学习陷入局部最优缺陷，实现全局域搜索功能，与传统方法相比，本发明具有较强的搜索能力，自适应调节功能及较强的稳定性。

主权项

1.一种径向基神经网络基于离散粒子群训练的方法，其特征在于，包括以下步骤：1)构建5‑N‑1型径向基神经网络系统，确定系统输入变量为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]T，中间隐含层神经元个数为N，系统输出为u(t)，被控量为y(t)；2)通过步骤1)的输入变量x(t)构建中间隐含层神经元对输出层的激励φ(x,ci)，同时设定输入变量对隐含层神经元的权值固定为1，隐含层神经元到输出单元之间的权值为wi；3)将步骤2)中的激励φ(x,ci)和隐含层神经元到输出单元之间的权值wi相乘，求取累积和，得到系统响应输出u(t)；4)利用步骤3)得到的系统响应输出u(t)和系统实际输出um(t)，定义系统学习评价信号J(t)，驱动神经网络学习和训练；5)利用步骤4)得到的系统评价信号J(t)，结合离散粒子群寻优和最优梯度下降方法，对激励φ(x,ci)和权值wi进行离线训练更新；6)利用步骤5)中的方法，通过足够的样本训练，最后获得最终的激励和权重，完成对神经网络参数的整体训练。