RBF网络的微分进化正交最小二乘算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (35): 46-48.

RBF网络的微分进化正交最小二乘算法

苏美娟,邓伟

苏州大学计算机科学与技术学院，江苏苏州 215006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-11 发布日期:2007-12-11
通讯作者: 苏美娟

Differential Evolution Orthogonal Least Square（DEOLS） algorithm for RBF network

SU Mei-juan,DENG Wei

School of Computer Science & Technology，Soochow University，Suzhou，Jiangsu 215006，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-11 Published:2007-12-11
Contact: SU Mei-juan

摘要/Abstract

摘要： 研究用于径向基函数（RBF）网络训练的一种微分进化正交最小二乘（DEOLS）算法。把微分进化（DE）算法的种群作为正交最小二乘（OLS）算法的候选径向基函数集合，利用OLS对DE的种群个体进行评断，以确定RBF网络的隐结点的数目、中心和宽度。该算法融合了DE的强大搜索能力和OLS的高效评断能力，隐结点的选择比OLS要合理，同时避免DE的复杂性。最后使用实验验证了该算法的优越性。

关键词: RBF神经网络, 正交最小二乘方法, 微分进化算法

Abstract: Differential Evolution Orthogonal Least Square（DEOLS） algorithm for RBF network is presented，a hybrid algorithm blending Orthogonal Least Squares（OLS） method with Differential Evolution（DE） algorithm.The population of the DE algorithm，encoding the center and width of RBF hidden node，corresponds to the set of candidate RBFs of OLS，while DE exploits OLS to evaluate each individual of the population.This algorithm compromises the strong search power of DE and the efficient evaluation ability of OLS，selecting hidden nodes more rationally than OLS，without incurring the computational cost of DE.At last，experiments are used to demonstrate the effectiveness of this algorithm.

Key words: Radial Basis Function（RBF） network, Orthogonal Least Square（OLS） method, Differential Evolution（DE） algorithm

苏美娟,邓伟. RBF网络的微分进化正交最小二乘算法[J]. 计算机工程与应用, 2007, 43(35): 46-48.

SU Mei-juan,DENG Wei. Differential Evolution Orthogonal Least Square（DEOLS） algorithm for RBF network[J]. Computer Engineering and Applications, 2007, 43(35): 46-48.

[1]	苏佳丽，伍忠东，丁龙斌，刘菲菲. 基于IGWO-RBF的LTE-R切换算法研究[J]. 计算机工程与应用, 2020, 56(8): 74-80.
[2]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[3]	申晓宁，孙毅，薛云勇. 采用放松支配关系的高维多目标微分进化算法[J]. 计算机工程与应用, 2018, 54(18): 161-167.
[4]	颜学龙，丁鹏，马峻. 基于狼群算法的RBF神经网络模拟电路故障诊断[J]. 计算机工程与应用, 2017, 53(19): 152-156.
[5]	李珣1，刘丽2，洪良1，王晓华1. 移动机器人室内无源RFID定位方法及实现[J]. 计算机工程与应用, 2017, 53(16): 230-236.
[6]	周慧，张尤赛，李垣江. 应用RBF神经网络的体绘制传递函数设计方法[J]. 计算机工程与应用, 2016, 52(22): 180-184.
[7]	宋鑫超，苏庆堂，刘启明. 多姿态人耳识别的局部线性嵌入及其改进算法[J]. 计算机工程与应用, 2016, 52(13): 183-186.
[8]	赵守林1，秦立龙2，陈翔3. 基于复杂度特征的数字调制模式识别[J]. 计算机工程与应用, 2015, 51(4): 226-231.
[9]	唐晓勇1，江亚群1，黄纯1，彭江锴2，戴永梁1. 改进ASMDE算法和RBFNN的配电网线损计算[J]. 计算机工程与应用, 2015, 51(13): 245-250.
[10]	王菲露，宋杨. RBF神经网络在柔性触觉传感器解耦中的应用[J]. 计算机工程与应用, 2015, 51(10): 20-25.
[11]	王彬，贠卫国. K-聚类的模糊神经网络对DO的控制研究[J]. 计算机工程与应用, 2014, 50(16): 150-153.
[12]	张琛1，徐国丽2. 基于云遗传的RBF神经网络的交通流量预测[J]. 计算机工程与应用, 2014, 50(16): 216-220.
[13]	尹玉萍1，刘万军2. 基于AC-DE算法的风电机组齿轮箱故障诊断方法[J]. 计算机工程与应用, 2014, 50(13): 10-14.
[14]	徐东辉1，2，李岳林1，杨巍1，丁景峰1，彭玲1. 基于混沌RBF神经网络的汽油机进气流量预测研究[J]. 计算机工程与应用, 2014, 50(1): 222-226.
[15]	李可维1，李小谦1，徐正喜1，雷刚2. 联合紧支径向基函数和微分进化算法的电磁优化方法[J]. 计算机工程与应用, 2013, 49(22): 219-222.