基于OLS与EPSO算法的RBF企业订单预测模型研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (22): 224-226.

基于OLS与EPSO算法的RBF企业订单预测模型研究

宫蓉蓉

长沙民政职业技术学院，长沙 410004

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-01 发布日期:2011-08-01

Research of business order forecast model based on radial basis function neural network using OLS and EPSO algorithms

GONG Rongrong

Changsha Social Work College，Changsha 410004，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-01 Published:2011-08-01

摘要/Abstract

摘要： 提出了一种最小正交二乘算法（OLS）和进化粒子群优化算法（EPSO）相结合构建RBF神经网络的企业订单预测模型。OLS采用前向回归算法，从输入数据中选取适当的中心，动态地避免网络规模过大和随机选择中心带来的数值病态问题;EPSO方法调整网络中的参数，如RBF中心位置，RBF宽度和隐层与输出层之间的权值，以提高网络的泛化能力。

关键词: 径向基函数（RBF）, 最小正交二乘算法（OLS）, 进化粒子群优化算法（EPSO）, 订单预测

Abstract: This paper presents a method for designing business order forecast model based on combination of Orthogonal Least Squares algorithm（OLS） and Evolutionary Particle Swarm Optimization algorithm（EPSO）.OLS selects a suitable set of centers from the input data and adopts forward regression procedure to avoid bigger size of networks and numerical morbidity problem by selecting center randomly.The EPSO approach is used to tune the parameters in the network，including the position of RBF centers，the width of RBFs，and the weighting values between hidden and output layer，which improve the generalization ability of the network.

Key words: Radial Basis Function Neural Network（RBF）, Orthogonal Least Squares algorithm（OLS）, Evolutionary Particle Swarm Optimization algorithm（EPSO）, order forecast

宫蓉蓉. 基于OLS与EPSO算法的RBF企业订单预测模型研究[J]. 计算机工程与应用, 2011, 47(22): 224-226.

GONG Rongrong. Research of business order forecast model based on radial basis function neural network using OLS and EPSO algorithms[J]. Computer Engineering and Applications, 2011, 47(22): 224-226.

[1]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[2]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[3]	陆亚男，南敬昌，高明明. 改进并行粒子群算法优化RBF神经网络建模[J]. 计算机工程与应用, 2017, 53(14): 45-50.
[4]	李安平1，2，刘国荣1，2，杨小亮1，沈细群2. 一类非等阶分数阶非线性系统的神经网络控制[J]. 计算机工程与应用, 2015, 51(20): 240-245.
[5]	谭乾1，江弋1，林凡2. 基于AHP-RBF的Swift云存储负载预测[J]. 计算机工程与应用, 2014, 50(8): 35-39.
[6]	陈鸿星. 基于遗传优化神经网络的网络入侵特征检测[J]. 计算机工程与应用, 2014, 50(14): 78-81.
[7]	郭小燕1，张明2. 带权重的RBF神经网络银行个人信用评价方法[J]. 计算机工程与应用, 2013, 49(5): 258-262.
[8]	庞振，徐蔚鸿. 一种基于改进k-means的RBF神经网络学习方法[J]. 计算机工程与应用, 2012, 48(11): 161-163.
[9]	李慧，顾沈明. 基于RBF神经网络的赤潮预测方法[J]. 计算机工程与应用, 2012, 48(1): 228-230.
[10]	周保民1，廖瑛2. 未知非线性系统自适应改进RBF滑模控制[J]. 计算机工程与应用, 2011, 47(9): 243-245.
[11]	南敬昌1，赵景梅1，袁杰2. 基于RBF神经网络的射频功放行为模型研究[J]. 计算机工程与应用, 2011, 47(8): 125-127.
[12]	蒋丽英，王蕾，席剑辉. 航空发动机磨损趋势变权重组合预测技术研究[J]. 计算机工程与应用, 2011, 47(28): 228-231.
[13]	文欣秀1，许光泞2. DNA免疫遗传算法及其应用[J]. 计算机工程与应用, 2011, 47(26): 55-57.
[14]	张筠莉1，杨祯山2. 现代医院门诊量的灰色RBF神经网络预测[J]. 计算机工程与应用, 2010, 46(29): 225-228.
[15]	于少伟. 集成智能自适应货运量预测算法研究[J]. 计算机工程与应用, 2009, 45(32): 225-228.