论文部分内容阅读
摘要：在本文中，提出了采用粒子群算法来优化RBF神经网络，并建立了这种新的混合模型。在这个粒子群和RBF神经网络的混合模型中，粒子群优化算法应用于选择中心节点和隐藏节点的宽度以及输出向量方面，对RBF神经网络建立了5个输入节点，6个隐藏节点和一个输出节点。通过对粒子群优化的RBF神经网络模型对一些地区的结核病发病趋势进行预测，得出这种混合模型对结核病发展趋势进行预测能够取得较好的预测结果。
关键词：结核病；RBF神经网络；混合模型；粒子群优化算法
中图分类号：U491.14 文献标识码：A 文章编号：1007-9599 （2013） 03-0000-02
1 引言
RBF神经网络是一种前馈型神经网络模型，它包括输入层、隐藏层和输出层三层，具有全局收敛的作用。研究表明，选择正确的中心向量和宽度以及隐藏节点的个数和输出节点是RBF神经网络预测结果是否正确的关键[1]。如果隐藏节点过多，则RBF神经网络的训练和测试时间都会过长，会导致网络的泛化能力下降。同样如果隐藏节点过少，将会导致网络的收敛误差变大。然而，粒子群优化算法能够为RBF神经网络提供准确的中心向量和宽度以及隐藏节点和输出节点。在这种混合模型中，RBF神经网络建立了5个输入节点、6个隐藏节点和一个输出节点。
2 RBF神经网络
3 粒子群优化算法
粒子群优化算法是从鸟类成群结队的行为中派生出来的一种群智优化算法。在优化过程中，每个粒子在自己的方向上都具有最好的经验，通过所有粒子的最佳经验构成这样一个群智化的整体[3]。粒子群优化算法是通过更新每个粒子的位置和速度来寻找最佳的解决方案的一种迭代式算法，具体公式描述如下：
6 结论
在本文中，提出了用PSO-RBF神经网络混合模型来预测结核病的方法。在这个混合模型中，对RBF神经网络建立了5个输入节点，6个隐藏节点和一个输出节点，同时应用粒子群优化算法用于选择中心向量和隐藏节点的宽度以及RBF神经网络的输出向量。通过对PSO-RBF神经网络、传统的RBF神经网络和BP神经网络三种预测模型的预测结果进行分析比较得出，采用PSO-RBF神经网络混合模型来预测结核病的发病趋势，会取得最接近于实际情况的结果，也就是说采用这种模型可以得到最优的预测结果。
[参考文献]
[1] Xu-Lin Wen， Hui-Tao Wang， Hua Wang. Prediction model of flow boiling heat transfer for R407Cinside horizontal smooth tubes based on RBF neural network， Procedia Engineering，31 （2012）.233 –239.
[2]薛喜彩.基于改进PSO算法的RBF网络板形预测模型研究[D].燕山大学，2009
[3]冯明发，卢锦川.粒子群优化RBF神经网络的短时交通流量预测[J].计算机仿真，27（2010），323–326.
[4]张顶学，关治洪，刘新芝.基于PSO的RBF神经网络学习算法及其应用[J].计算机工程与应用，20（2006），13–15.
[5]秦大建，李志蜀.基于神经网络的时间序列组合预测模型研究及应用[J].计算机应用26（2006），129–131
[作者简介]关玉梅（1978.11-），女，汉族，黑龙江省齐齐哈尔市人，黑龙江交通职业技术学院，软件工程硕士，讲师，研究方向：从事计算机教育工作
通讯作者：李清江（1979.6-），男，汉族，黑龙江省齐齐哈尔市人，齐齐哈尔医学院，软件工程硕士，讲师，研究方向：从事计算机教育工作。
[基金项目]黑龙江省教育厅科学技术研究项目资助（NO：12511622）
关键词：结核病；RBF神经网络；混合模型；粒子群优化算法
中图分类号：U491.14 文献标识码：A 文章编号：1007-9599 （2013） 03-0000-02
1 引言
RBF神经网络是一种前馈型神经网络模型，它包括输入层、隐藏层和输出层三层，具有全局收敛的作用。研究表明，选择正确的中心向量和宽度以及隐藏节点的个数和输出节点是RBF神经网络预测结果是否正确的关键[1]。如果隐藏节点过多，则RBF神经网络的训练和测试时间都会过长，会导致网络的泛化能力下降。同样如果隐藏节点过少，将会导致网络的收敛误差变大。然而，粒子群优化算法能够为RBF神经网络提供准确的中心向量和宽度以及隐藏节点和输出节点。在这种混合模型中，RBF神经网络建立了5个输入节点、6个隐藏节点和一个输出节点。
2 RBF神经网络
3 粒子群优化算法
粒子群优化算法是从鸟类成群结队的行为中派生出来的一种群智优化算法。在优化过程中，每个粒子在自己的方向上都具有最好的经验，通过所有粒子的最佳经验构成这样一个群智化的整体[3]。粒子群优化算法是通过更新每个粒子的位置和速度来寻找最佳的解决方案的一种迭代式算法，具体公式描述如下：
6 结论
在本文中，提出了用PSO-RBF神经网络混合模型来预测结核病的方法。在这个混合模型中，对RBF神经网络建立了5个输入节点，6个隐藏节点和一个输出节点，同时应用粒子群优化算法用于选择中心向量和隐藏节点的宽度以及RBF神经网络的输出向量。通过对PSO-RBF神经网络、传统的RBF神经网络和BP神经网络三种预测模型的预测结果进行分析比较得出，采用PSO-RBF神经网络混合模型来预测结核病的发病趋势，会取得最接近于实际情况的结果，也就是说采用这种模型可以得到最优的预测结果。
[参考文献]
[1] Xu-Lin Wen， Hui-Tao Wang， Hua Wang. Prediction model of flow boiling heat transfer for R407Cinside horizontal smooth tubes based on RBF neural network， Procedia Engineering，31 （2012）.233 –239.
[2]薛喜彩.基于改进PSO算法的RBF网络板形预测模型研究[D].燕山大学，2009
[3]冯明发，卢锦川.粒子群优化RBF神经网络的短时交通流量预测[J].计算机仿真，27（2010），323–326.
[4]张顶学，关治洪，刘新芝.基于PSO的RBF神经网络学习算法及其应用[J].计算机工程与应用，20（2006），13–15.
[5]秦大建，李志蜀.基于神经网络的时间序列组合预测模型研究及应用[J].计算机应用26（2006），129–131
[作者简介]关玉梅（1978.11-），女，汉族，黑龙江省齐齐哈尔市人，黑龙江交通职业技术学院，软件工程硕士，讲师，研究方向：从事计算机教育工作
通讯作者：李清江（1979.6-），男，汉族，黑龙江省齐齐哈尔市人，齐齐哈尔医学院，软件工程硕士，讲师，研究方向：从事计算机教育工作。
[基金项目]黑龙江省教育厅科学技术研究项目资助（NO：12511622）