[发明专利]一种基于改进鲸鱼算法的RBF神经网络优化方法

权利要求书

1.一种基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，该方法包含下列步骤：

步骤1：确定RBF神经网络的结构，由RBF神经网络的数据中心、数据宽度以及权重三类初始参数确定鲸鱼个体的维数，并将参数编码生成鲸鱼个体的位置矢量；

步骤2：确定鲸鱼的种群规模，采用反向学习机制初始化鲸鱼种群的位置；

步骤3：归一化RBF神经网络的训练数据和测试数据；

步骤4：取出一部分训练数据输入网络，设置适应度函数计算当下每一条鲸鱼的适应度值；

步骤5：根据上一代适应度值设置动态阈值，将鲸鱼种群分为优质鲸鱼和非优质鲸鱼两个子种群；

步骤6：产生一个[0，1]之间的随机数ρ，若ρ＜0.5，则执行鲸鱼的螺旋更新策略，若ρ≥0.5，则执行鲸鱼的收缩更新策略；

步骤7：设置最大迭代步数，迭代次数达到最大值后，算法循环结束，保存适应度值最小的鲸鱼对应位置适量，将位置矢量解码生成RBF神经网络的最优初始化参数，未达到终止条件，则返回步骤4。

2.根据权利要求1所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤1所述鲸鱼个体的维数N由数据中心、数据宽度以及网络权重的三类参数组成，网络输入个数为X_n，网络隐层数为C，即有：

N＝2·C+X_n·C (1)

编码操作即将三类网络参数按次序排列成一个一维位置矢量。

3.根据权利要求1所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤2中鲸鱼的种群规模M设置在[25，30]之间，先随机初始化M/2个鲸鱼个体，对于剩下的第i个鲸鱼的第k维位置P_i，k(其中采用反向学习机制生成：

P_i，k＝a+b-p_j，k (2)

其中a和b分别是随机生成那部分粒子的上下界，而p_j，k表示随机生成的第j个粒子的第k维位置数据。

4.根据权利要求1所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤4中适应度函数的表达式如下：

式中n表示训练样本的个数，L表示网络的输出层节点数，Y和分别表示数据的真实值和神经网络的输出值。

5.根据权利要求1所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤5中设置阈值，阈值大小由上一代适应度均值决定，故阈值大小随着迭代次数变化而动态变化，适应度阈值的计算方式如下式(4)给出：

式中ε表示适应度阈值的权重，用于控制优质鲸鱼占整个种群的比例。

6.根据权利要求1所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤6中执行螺旋更新策略时，更新方式如下(5)式给出：

式中X(t+1)表示更新后的鲸鱼位置，l是[-1，1]之间的随机数，b是决定螺旋形状的参数，X^*(t)表示当前最优鲸鱼所在的位置，D′表示当前某一鲸鱼X(t)与当前最优鲸鱼之间的距离，表达式由下(6)式给出：

D′＝|X^*(t)-X(t)| (6)。

7.根据权利要求1所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤6中执行收缩更新策略时，变量A控制鲸鱼执行不同的收缩更新策略，表达式如下(7)式给出：

式中X_rand(t)和D_rand(t)分别表示生成的新鲸鱼位置以及其与当前鲸鱼之间的距离，A的表达式如(8)式所示：

A＝a·(2·r-1) (8)

其中r表示[0，1]之间的随机数矢量，a是随着迭代次数增加而线性递减的参数，D_rand和D的表达式如下(9)式给出：

8.根据权利要求7所述的基于改进鲸鱼算法的RBF神经网络优化方法，其特征在于，步骤6中执行收缩更新策略时，采用多元宇宙优化算法中物质交换的思想生成新的鲸鱼位置，对于新的鲸鱼第j维的数据，有表达式(10)给出生成方法：

式中和分别表示最优鲸鱼和随机选取的鲸鱼第j维上的数据，a的表达式如式(11)所示：

式中t表示当前迭代步数，t_max表示最大迭代步数。