量子遗传算法优化神经网络及其在MIMO系统信号检测中的应用研究 第14页
图3-19 RBF-聚类 网络收敛曲线
3.3.3 量子遗传算法优化RBF网络及性能测试
3.3.3.1 量子遗传算法优化RBF网络
从上节中的实验比较可看出，基于聚类算法的RBF神经网络在训练速度和收敛性能上与BP网络和其他RBF网络相比已经体现出很强的优越性，在此基础上，我们将量子遗传算法(QGA)与基于聚类算法的RBF神经网络(RBF-聚类)相结合。用QGA来完成RBF网络的前期搜索，在解空间中定位出一个较好的搜索空间，然后采用聚类RBF算法在这个小的解空间中搜索出最优解，必然能进一步改进RBF神经网络的性能。正是基于这样的思路，本文设计出另一种组合优化的训练算法：QGA-RBF，以此达到提高网络性能的目的。
QGA-RBF算法描述：
(1) 初始化：遗传代数 ，种群 ；
(2) 由 量子坍塌生成 ，即对 中各个体实施测量，得到一组状态 ；
(3) 对群体 进行适应度评估，取其中最佳适应度个体作为该个体下一步演化的目标值；
(4) 停止条件判断：当满足停止条件时，输出当前最佳个体，算法结束，否则继续；
(5) 量子交叉操作，对种群 进行更新；
(6) 量子变异操作，采用量子旋转门变异策略更新 ， ，转到(2)；
(7) 将QGA的优化值作为基于聚类算法的RBF神经网络的初始值，用聚类算法训练网络直到满足网络训练停止条件，算法结束。
QGA-RBF算法流程如图3-8所示，只是将“自适应BP网络训练”替换成“聚类RBF网
络训练”。
3.3.3.1 QGA-RBF算法性能测试
如3.2.3.2小节定义RBF网络的输入向量P和目标向量T。
实验控制参数如下：
基于聚类算法的RBF网络：隐节点重叠常数为1.0，目标误差为0.002；QGA的相关控制参数同3.2.3.2节。
分别用基于聚类算法的RBF网络和QGA-RBF算法进行训练，实验结果如图3-20和图3-21所示：比较可看出单纯的RBF网络需进行64步才收敛到指定精度，而用QGA优化过的RBF网络仅需28步就收敛到指定精度，QGA-RBF算法比单纯的RBF网络收敛速度更快。图3-20 RBF网络收敛曲线
图3-21 QGA-RBF收敛曲线
3.4 本章小结
本章简要介绍了神经网络的基础知识，并较详细地介绍了几种经典前馈神经网络，重点研究了自适应BP网络和基于聚类算法的RBF网络的性能，在此基础上，将第二章介绍的量子遗传算法(QGA)与神经网络相结合，将所研究的QGA去优化神经网络，提出了两种优化算法：QGA优化的自适应BP网络(QGA-BP)和QGA优化的聚类RBF网络(QGA-RBF)，新型优化算法利用量子遗传算法高效的并行性和全局搜索能力先对解空间内的所有点进行遗传选优，得到优化解空间，再用神经网络在这个优化解空间中搜索到最优解。实验表明，本文所研究的用QGA优化的神经网络比传统神经网络在收敛性能上有较明显的提高。
<< 上一页 [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] ... 下一页 >>
量子遗传算法优化神经网络及其在MIMO系统信号检测中的应用研究 第14页下载如图片无法显示或论文不完整，请联系qq752018766
