徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究.pdf

1、隨著互聯(lián)網(wǎng)和信息化技術(shù)的不斷發(fā)展，企業(yè)及其他各種組織積累了大量的數(shù)據(jù)，人們面臨著從大量不同類型、不同來(lái)源的數(shù)據(jù)中獲取有用知識(shí)的問(wèn)題。數(shù)據(jù)挖掘技術(shù)融合了人工智能、數(shù)據(jù)庫(kù)技術(shù)等多門學(xué)科，通過(guò)數(shù)據(jù)挖掘技術(shù)的應(yīng)用，數(shù)據(jù)中很多潛在的有用信息能夠被發(fā)現(xiàn)并且應(yīng)用于社會(huì)生產(chǎn)決策之中。
　　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一類應(yīng)用非常廣泛的人工神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度快，能夠無(wú)限地逼近任意非線性函數(shù)，但是網(wǎng)絡(luò)結(jié)構(gòu)不易確定，因此本文使用其他的智能算法并借助算法的優(yōu)點(diǎn)改

2、善神經(jīng)網(wǎng)絡(luò)中的缺陷，提高網(wǎng)絡(luò)能力。本文將蟻群聚類算法和粒子群算法與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)依次相結(jié)合，從神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)初始化和結(jié)構(gòu)優(yōu)化兩個(gè)方面對(duì)算法進(jìn)行改進(jìn)，以達(dá)到提升算法性能的目的。
　　首先，使用蟻群聚類算法將參與網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)聚類，獲取子集的個(gè)數(shù)和中心點(diǎn)，然后通過(guò)相應(yīng)計(jì)算獲取網(wǎng)絡(luò)相關(guān)的參數(shù)信息，獲取神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)。本文使用LF蟻群聚類算法，針對(duì)算法的不足對(duì)算法進(jìn)行了改進(jìn)，提高了聚類的運(yùn)行速度和精度，使用鳶尾花集合對(duì)改進(jìn)后的L

3、F算法進(jìn)行實(shí)驗(yàn)對(duì)比。
　　其次，使用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，以獲取更加準(zhǔn)確的結(jié)構(gòu)數(shù)據(jù)，使用多極值的測(cè)試數(shù)據(jù)對(duì)優(yōu)化后的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對(duì)比。另外，針對(duì)粒子群算法的不足對(duì)算法進(jìn)行改進(jìn)，使用混沌干擾、交叉等方法改變粒子特征，使得算法更容易查找到全局最優(yōu)解。
　　最后，將優(yōu)化后的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)應(yīng)用在網(wǎng)絡(luò)流量預(yù)測(cè)方面，通過(guò)數(shù)據(jù)建模、數(shù)據(jù)分析等操作為高校提供網(wǎng)絡(luò)流量預(yù)測(cè)模型。主要介紹了流量預(yù)測(cè)的過(guò)程，包括數(shù)據(jù)準(zhǔn)備