基于改进的LF算法的径向基函数神经网络优化算法*

张义 山东商业职业技术学院 信息与艺术学院

关键字： 改进的LF算法 同时移动多个相似度高的物体 动态调整领域范围

引言：径向基函数神经网络是使用了多变量插值的径向基函数[1]的前馈式网络，它包含三层结构：输入层、隐含层、输出层[2]。但该网络隐含层应包含的节点个数和对应各参数值不易确定。因此本文使用改进的LF算法获取隐含层节点的个数以及各类参数，改进算法效率。

1 LF算法

LF算法原理

LF算法是基于网格和密度的方法[3]的一种蚁群聚类算法，将n个多维向量和多个蚂蚁随机的放在二维网格中分布，然之后蚂蚁搬动或放下物体向量，LF算法在移动中比较与周围物体的相似度，计算物体拾取和放下时的概率 [4，5]，提高准确度。

LF算法缺点

（1）LF算法参数过多，并且常使用经验值，其准确性会影响到最后结果。

（2）由于移动方向随机，算法运行时间长。

2 改进的蚁群聚类算法

2.1 算法改进

（1）蚂蚁在移动过程中同时移动所在位置周围邻域内的所有相似的物体，提高的移动效率。

（2）设置不同的邻域范围，初期，使用较大的S值，后期使用较小的S值，缩小邻域范围，提高移动的准确度。

2.2 改进后的LF算法

（1）算法主要步骤如下：

步骤1：设置系统初始参数值，包括K1、K2、α、dis、迭代次数等；

步骤2：归一化操作。

步骤3：让物体和蚂蚁随机分布；

步骤4：蚂蚁任意选择下一个移动的网格并进行移动操作；

步骤5：检查蚂蚁是否正移动物体，有则执行步骤7，无则执行6；

步骤6：蚂蚁没有移动物体，则拾起物体。

步骤7：蚂蚁若正移动物体，则放下物体。

步骤8：判断是否退出，是则退出，否则跳转到步骤4。

（2）拾起流程如下：

步骤1：判断当前位置处是否存在物体，有执行2，否则执行5；

步骤2：计算拾取概率，若概率大于某随机数，则执行3，否则执行5；

步骤3：计算邻域内物体与当前物体的距离是否小于dis，是则执行4，否则转向5；

步骤4：拾起所有符合条件的物体；

步骤5：任意选择网格后，蚂蚁移动到该网格。

（3）放下步骤如下：

步骤1：检查所做位置处是否有物体，有则执行4，否则，转向2；

步骤2：计算放下概率，是否大于某随机数，是则执行3，否则转向4；

步骤3：蚂蚁将物体放到该网格内；

步骤4：任意选择网格并移动。

3 优化径向基函数神经网络

OLF算法优化RBFNN包括两个步骤：

（1）聚类操作：使用OLF算法获取子集个数等参数信息。

（2）构建网络模型：使隐含层节点个数等于子集个数；宽度通过公式计算；权重使用伪逆算法计算。

4 评价指标

（1）平均绝对误差AAD：

（2）标准偏差SD：

5 实验仿真

图5 预测结果图

图5是算法的预测曲线图，可以比较两个算法的预测值情况。通过对比图发现，使用OLF-RBFNN算法的预测结果曲线较好的接近期望值的曲线并且精确度较好。

表1 平均绝对误差和标准偏差对比表

通过表对比可见，OLF-RBFNN算法的两个指标都小于标准的RBFNN算法，算法在一定程度上得到了改进。

6 结束语

通过以上实验对比表明：使用OLF-RBFNN算法在预测时的预测精度和平均绝对误差要优于RBFNN算法，并且预测值更加准确的接近函数值。因此通过使用聚类算法获取RBFNN的隐含层个数以及参数信息可以较为有效的提高网络的预测能力