基于改進的LF算法的徑向基函數(shù)神經(jīng)網(wǎng)絡優(yōu)化算法*

張義 山東商業(yè)職業(yè)技術學院 信息與藝術學院

關鍵字： 改進的LF算法 同時移動多個相似度高的物體 動態(tài)調整領域范圍

引言：徑向基函數(shù)神經(jīng)網(wǎng)絡是使用了多變量插值的徑向基函數(shù)[1]的前饋式網(wǎng)絡，它包含三層結構：輸入層、隱含層、輸出層[2]。但該網(wǎng)絡隱含層應包含的節(jié)點個數(shù)和對應各參數(shù)值不易確定。因此本文使用改進的LF算法獲取隱含層節(jié)點的個數(shù)以及各類參數(shù)，改進算法效率。

1 LF算法

LF算法原理

LF算法是基于網(wǎng)格和密度的方法[3]的一種蟻群聚類算法，將n個多維向量和多個螞蟻隨機的放在二維網(wǎng)格中分布，然之后螞蟻搬動或放下物體向量，LF算法在移動中比較與周圍物體的相似度，計算物體拾取和放下時的概率 [4，5]，提高準確度。

LF算法缺點

（1）LF算法參數(shù)過多，并且常使用經(jīng)驗值，其準確性會影響到最后結果。

（2）由于移動方向隨機，算法運行時間長。

2 改進的蟻群聚類算法

2.1 算法改進

（1）螞蟻在移動過程中同時移動所在位置周圍鄰域內的所有相似的物體，提高的移動效率。

（2）設置不同的鄰域范圍，初期，使用較大的S值，后期使用較小的S值，縮小鄰域范圍，提高移動的準確度。

2.2 改進后的LF算法

（1）算法主要步驟如下：

步驟1：設置系統(tǒng)初始參數(shù)值，包括K1、K2、α、dis、迭代次數(shù)等；

步驟2：歸一化操作。

步驟3：讓物體和螞蟻隨機分布；

步驟4：螞蟻任意選擇下一個移動的網(wǎng)格并進行移動操作；

步驟5：檢查螞蟻是否正移動物體，有則執(zhí)行步驟7，無則執(zhí)行6；

步驟6：螞蟻沒有移動物體，則拾起物體。

步驟7：螞蟻若正移動物體，則放下物體。

步驟8：判斷是否退出，是則退出，否則跳轉到步驟4。

（2）拾起流程如下：

步驟1：判斷當前位置處是否存在物體，有執(zhí)行2，否則執(zhí)行5；

步驟2：計算拾取概率，若概率大于某隨機數(shù)，則執(zhí)行3，否則執(zhí)行5；

步驟3：計算鄰域內物體與當前物體的距離是否小于dis，是則執(zhí)行4，否則轉向5；

步驟4：拾起所有符合條件的物體；

步驟5：任意選擇網(wǎng)格后，螞蟻移動到該網(wǎng)格。

（3）放下步驟如下：

步驟1：檢查所做位置處是否有物體，有則執(zhí)行4，否則，轉向2；

步驟2：計算放下概率，是否大于某隨機數(shù)，是則執(zhí)行3，否則轉向4；

步驟3：螞蟻將物體放到該網(wǎng)格內；

步驟4：任意選擇網(wǎng)格并移動。

3 優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡

OLF算法優(yōu)化RBFNN包括兩個步驟：

（1）聚類操作：使用OLF算法獲取子集個數(shù)等參數(shù)信息。

（2）構建網(wǎng)絡模型：使隱含層節(jié)點個數(shù)等于子集個數(shù)；寬度通過公式計算；權重使用偽逆算法計算。

4 評價指標

（1）平均絕對誤差AAD：

（2）標準偏差SD：

5 實驗仿真

圖5 預測結果圖

圖5是算法的預測曲線圖，可以比較兩個算法的預測值情況。通過對比圖發(fā)現(xiàn)，使用OLF-RBFNN算法的預測結果曲線較好的接近期望值的曲線并且精確度較好。

表1 平均絕對誤差和標準偏差對比表

通過表對比可見，OLF-RBFNN算法的兩個指標都小于標準的RBFNN算法，算法在一定程度上得到了改進。

6 結束語

通過以上實驗對比表明：使用OLF-RBFNN算法在預測時的預測精度和平均絕對誤差要優(yōu)于RBFNN算法，并且預測值更加準確的接近函數(shù)值。因此通過使用聚類算法獲取RBFNN的隱含層個數(shù)以及參數(shù)信息可以較為有效的提高網(wǎng)絡的預測能力