作　　者： ; ; ;

机构地区： 江南大学信息工程学院

出　　处： 《计算机应用研究》 2007年第5期68-70,共3页

摘　　要： 提出一种基于量子粒子群优化算法训练径向基函数神经网络进行混沌时间序列预测的新方法。在确定径向基函数网络的隐层节点数后,将相应网络的参数,包括隐层基函数中心、扩展常数,以及输出权值和偏移编码成学习算法中的粒子个体,在全局空间中搜索具有最优适应值的参数向量。实例仿真证实了该方法的有效性。 A novel of method of prediction of chaotic time series based on constructing radial basis function neural network using quantum-behaved particle swarm optimization algorithm was proposed. After determination of units of number in RBF layer,all parameters in relevant network such as central position, spreading constant, weights and offsets of RBF NN were coded to particles in learning algorithm. The parameter vector, which has a best adaptation value, was searched globally. The simulation results show the effectiveness of this method.

关 键 词： 混沌时间序列 预测 量子粒子群优化算法 径向基函数神经网络

领　　域： [自动化与计算机技术] [自动化与计算机技术]