[发明专利]基于粒子群优化算法改进的神经网络模型用于数据预测方法

摘要

本发明涉及计算机应用工程技术领域，是一种基于粒子群优化算法改进的神经网络模型用于数据预测方法，按照下述步骤进行：步骤1：数据样本的表示；步骤2：数据的预处理；步骤3：RBF神经网络参数初始化；步骤4：利用二元粒子群优化算法确定隐含层神经元的数目和隐含层径向基核函数的中心；步骤5：初始化局部粒子群优化算法的各个参数。本发明所述的基于粒子群优化算法改进的神经网络模型用于数据预测方法能够易于确定RBF神经网络模型隐含层神经元的数目，从而改善了RBF神经网络性能，提高了数据预测的精确度，同时，本发明中的基于粒子群优化算法改进的神经网络模型具有模型复杂度低，鲁棒性强，可扩展性好的特点。

主权项

一种基于粒子群优化算法改进的神经网络模型用于数据预测方法，其特征在于按照下述步骤进行： 步骤1：数据样本的表示，使用变量表示第i个样本，使用表示第i个样本的第t个分量；步骤2：数据的预处理，根据数据样本构建训练样本集X_train＝{x₁,x₂,…,x_N}和测试样本集X_test＝{x₁,x₂,…,x_K}； 步骤3：RBF神经网络参数初始化，根据训练样本集的维数M确定输入层神经元的数目N_input＝M，根据要预测的数据的维数确定输出层神经元的数目N_output＝P； 步骤4：利用二元粒子群优化算法确定隐含层神经元的数目和隐含层径向基核函数的中心，其中:隐含层神经元的数目用H表示，隐含层径向基核函数的表达式为隐含层径向基核函数的中心用c_i表示；步骤5：初始化局部粒子群优化算法的各个参数，包括粒子群数目，粒子群数目用N_l‑swarm表示；粒子群的位置用表示，粒子的位置Xit表示RBF神经网络隐含层到输出层的权值矩阵w；粒子群的速度用表示；最大迭代次数用t_l‑max表示；适应度函数精度用ρ_lpso表示；k近邻算法中k的初始值k＝1；步骤6：根据适应度函数计算各粒子的适应度值，其中：N表示训练样本集中样本的数目；β是控制系数，从[0,1]之间取随机数；w_j表示隐含层和输出层的权值；y_i表示第i个样本对应的期望输出值；f(x_i)表示第i个样本对应的模型实际实际输出值，其函数公式为G_i(x_i,c_i)为隐含层第i神经元的输出，其函数公式为其中x_i为第i个输入样本向量，c_i为隐含层第i个神经元径向基核函数的中心向量，||·||₂表示向量的欧几里得距离；步骤7：更新全局最优粒子的位置和个体的历史最优位置，从粒子群中选择具有最小适应度函数值的粒子为全局最优粒子p_gbest，个体最优粒子p_best与初始化时粒子的位置相同； 步骤8：通过k近邻算法计算局部粒子群优化算法中各粒子的邻域最优粒子p_lbest； 步骤9：根据公式更新粒子的速度；其中：ω表示惯性系数，根据公式计算，其中w_start为惯性权重初始值，w_end为惯性权重最终值，t表示当前的迭代次数，t_max表示最大迭代次数；表示第i 个粒子第d维第t次迭代的值；c₁，c₂表示认知系数，取值为2；r₁，r₂为随机系数；表示第t次迭代，第i个粒子的个体历史最优位置第d维的值；表示第t次迭代第i个粒子位置第d维的值；表示第t次迭代第i个粒子的邻域最优粒子位置第d维的值；α为调节系数，α∈[0,1]，用于调节粒子对全局最优粒子和邻域最优粒子的适应度，α的变化根据公式计算求得；步骤10：根据公式更新粒子的位置；η是调节系数，从[0,1]之间取随机数；步骤11：判断局部粒子群优化算法是否达到最大迭代次数t_l‑max或预先设定的精度ρ_lpso；即t>t_l‑max或p<p_lpso两者是否有一个成立，如果两者有一个成立则转到步骤12，否则返回步骤6； 步骤12：从粒子群中选择适应度函数值最小的粒子；该粒子的位置参数即作为神经网络隐含层到输出层的权值矩阵W； 步骤13：RBF神经网络模型的建立，根据得到的模型参数建立RBF神经网络模型，模型参数包括通过二元粒子群优化算法得到的隐含层神经元的数目H、隐含层径向基核函数的中心和通过局部粒子群优化算法得到的隐含层到输出层的权值矩阵W； 步骤14：利用RBF神经网络模型进行数据预测，用测试样本集作为RBF神经网络模型的输入样本，利用建立好的RBF神经网络模型，用于对未知的数据进行预测，RBF网络模型隐含层采用径向基核函数，径向基核函数公式为x_i表示输入样本，c_i表示隐含层第i个神经元核函数的中心，σ表示核函数的宽度，利用公式计算RBF神经网络模型的预测输出值，即对未知数据的预测值。