AIP-RBF預測模型及其在盾構(gòu)工程中的應用研究.pdf

1、機器學習是人工智能中最活躍、最具應用潛力的領域之一，RBF網(wǎng)絡是一種高效的機器學習方法，能在任意精度下逼近任意非線性函數(shù)，同時具有優(yōu)秀的學習能力、泛化能力和訓練速度快等優(yōu)點，經(jīng)常用于解決回歸、分類等問題，與前饋神經(jīng)網(wǎng)絡(如多層感知器網(wǎng)絡)相比，RBF網(wǎng)絡可以很好地避免陷入局部極小值。 但是，RBF網(wǎng)絡也有其缺點，如沒有現(xiàn)成的算法計算隱層結(jié)構(gòu)，即隱層的節(jié)點數(shù)目和每一個隱層節(jié)點的位置。目前，已有一部分研究者使用模糊C均值聚類FCM(

2、Fuzzy C-Mean)計算RBF網(wǎng)絡的隱層，但是這種方法只能部分地解決上面的問題，即能夠確定隱層節(jié)點的中心位置，而無法確定隱層節(jié)點的數(shù)目。 本文提出一個基于人工免疫原理的RBF網(wǎng)絡預測模型AIP-RBF(Artificial Iminune Principal based Radial Basis Function Neural Network)，該模型使用改進的克隆選擇算法和免疫抑制策略，通過隱層可行解抽取算法EAHLFS

3、(Extraction Algorithm Hidden Layer Feasible Solution)，能在聚類數(shù)目未知的情況下，生成RBF網(wǎng)絡隱層，計算所得到的結(jié)果包括隱層節(jié)點數(shù)和每一個隱層節(jié)點的中心位置。論文提出了隱層節(jié)點重要度SHLN(Significance of Hidden Layer Node)概念，用以指導RBF網(wǎng)絡第二階段的訓練過程。與基于聚類算法的預測模型相比，AIP-RBF具有更快的收斂速度和更高的預測精度。