论文部分内容阅读
RBF(径向基函数)神经网络是90年代提出的一种具有全局收敛的非线性学习算法的前馈网络,它已被广泛应用于时间序列分析、模式识别、非线性控制和图像处理等领域。随着RBF神经网络得到越来越广泛的应用,也暴露出了一些急需解决的问题及难点。量子计算与神经网络的结合是当前人工神经网络理论研究的一个前沿课题,它为神经网络系统的设计、性能的改进提供了新的研究思路。本文描述量子计算及克隆算子的基础理论及应用,分析这两种理论的优越性及其用于优化算法的可行性。结合克隆算子与量子计算机理提出的量子克隆进化算法(QCGA),将全局搜索和局部寻优有机地结合,能有效地加快学习速度,具有较好的并行性。本文将该算法与RBF神经网络结合来优化RBF神经网络的参数,在综合研究RBF网络隐含层结构和RBF函数参数的特征和功能的基础上,引入了一种新的RBF网络隐层中心和输入层到隐含层权值的编码方法,即利用量子染色体的二进制编码方法,该算法增加了子代变异的多样性,提高了进化算法优化RBF网络的收敛速度、训练测试精度和网络的泛化能力。通过对不同样本容量与量子旋转角的实验,将改进后的QCGA神经网络应用于上证指数与个股片仔癀的预测分析中。并将其仿真结果与传统RBF网络及未引入量子计算的克隆算法改进的RBF网络作了比较。从比较的结果可以看出,由量子克隆进化算法改进过的RBF网络能更好地模拟股票价格的趋势。