基于改进灰狼算法的RBF神经网络研究

郭振洲; 刘然; 拱长青; 赵亮

Chinese

您当前的位置：

首页 >

文章列表页 >

基于改进灰狼算法的RBF神经网络研究

更新时间：2026-09-04

- 基于改进灰狼算法的RBF神经网络研究
- Study on RBF Neural Network Based on Gray Wolf Optimization Algorithm
- 微电子学与计算机 2017年34卷第7期页码：7-10
- 作者机构：
  
  沈阳航空航天大学机构计算机学院,辽宁,沈阳,110136
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
郭振洲, 刘然, 拱长青, 赵亮. 基于改进灰狼算法的RBF神经网络研究[J]. 微电子学与计算机, 2017, 34(7): 7-10, 17.

GUO Zhen-zhou, LIU Ran, GONG Chang-qing, et al. Study on RBF Neural Network Based on Gray Wolf Optimization Algorithm[J]. 2017, 34(7): 7-10.
郭振洲, 刘然, 拱长青, 赵亮. 基于改进灰狼算法的RBF神经网络研究[J]. 微电子学与计算机, 2017, 34(7): 7-10, 17. DOI：

GUO Zhen-zhou, LIU Ran, GONG Chang-qing, et al. Study on RBF Neural Network Based on Gray Wolf Optimization Algorithm[J]. 2017, 34(7): 7-10. DOI：

摘要

对于RBF神经网络权值参数优化问题

提出一种基于改进灰狼优化算法的RBF神经网络的方法.针对灰狼算法的收敛精度低的缺点提出一种非线性收敛的灰狼算法

将隐层到输出层的权值矩阵映射成灰狼算法里的人工狼

利用灰狼优化算法收敛速度快

全局搜索能力强的特点对RBF网络的隐层到输出层的权值进行优化.本文采用KDD CUP99数据集进行实验

实验结果表明: 本文所提出的算法具有更好的分类检测效果具有更好的检测分类效果

并在一定程度上增强了RBF神经网络对非线性问题的处理能力.

Abstract

For the problem of RBF parameter optimization neural network weights

and presents a method of RBF neural network optimization algorithm based on the improvement gray wolf. A nonlinear algorithm for convergence of the proposed algorithm convergence precision of gray wolf low.The hidden layer to the output layer weights matrix mapping algorithm in artificial to wolf

wolf using optimization algorithm has fast convergence speed and global search ability of the hidden layer of RBF network to the output layer weights are optimized to improve the RBF neural network. This paper uses the KDD CUP 99 data set for experiment

the experimental results show that the effect of classification results the proposed algorithm has better better detection and classification

and enhance the processing ability of the RBF neural network for nonlinear problems in a certain extent.

关键词

Keywords

references

陈昌帅. 二进制灰狼优化算法的研究与分析[J]. 信息系统工程, 2016, 28(7): 136-138. DOI: 136

龙文, 赵东泉, 徐松金. 求解约束优化问题的改进灰狼优化算法[J]. 计算机应用, 2015, 34(9): 2590-2595. DOI: 2590

刘金生. 网络入侵检测的建模与仿真研究[J]. 计算机仿真, 2012, 28(12): 103-106. DOI: 103

孙健, 申瑞民, 韩鹏. 一种新颖的径向基函数(RBF)网络学习算法[J]. 计算机学报, 2003, 25(11): 1562-1567. DOI: 1562

Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69(3): 46-61. DOI: 46

庞振, 徐蔚鸿. 一种基于改进k-means的RBF神经网络学习方法[J]. 计算机工程与应用, 2012, 48(11): 161-163. DOI: 161

孟锦, 马驰, 何加浪, 等. 基于HHGA-RBF神经网络的网络安全态势预测模型[J]. 计算机科学, 2011, 37(7): 70-72. DOI: 70

Mirjalili S, Mirjalili S M, Lewis A. How effective is the grey wolf optimizer in training multi-layer perceptrons[J]. Appl Intell, 2015, 43(3): 150-161. DOI: 150

徐秉铮. 神经网络理论与应用[M]. 广州: 华南理工大学出版社, 1999: 304-322. DOI: 304

殷勇, 邱明. 一种基于高斯核的RBF神经网络学习算法[J]. 计算机工程与应用, 2002, 38(21): 118-119. DOI: 118

夏轩, 许伟明. 改进的粒子群算法对RBF神经网络的优化[J]. 计算机工程与应用, 2012, 48(5): 37-40. DOI: 37

张健, 刘定一. 一种应用PSO优化RBF神经网络的方法[J]. 计算机仿真, 2014, 31(11): 269-272. DOI: 269

肖汉光, 蔡从中. 特征向量的归一化比较性研究[J]. 计算机工程与应用, 2009, 45(22): 117-119. DOI: 117

钱玉良, 张浩, 彭道刚, 等. PCA和GA-PSO-RBF集成的发电机组远程故障诊断[J]. 电子测量与仪器学报, 2012, 27(7): 597-604. DOI: 597

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进RT-DETR的航拍小目标检测算法

低功耗设计的双链电源关断策略的实现与验证

大模型发展综述：从BERT到Deepseek的技术演进

一种用于极低压boost系统的高效率电荷泵

一种基于特征上下文理解与切片分析的肺结核检测算法