归一化径向基函数网络的结构优化策略

针对归一化RBF网络的结构设计 ,首先利用基于山峰函数的减法聚类算法构造网络的初始结构和初始参数 ,并采用奇异值分解 (SVD)算法分析了网络初始结构中隐含层节点与奇异值、累积贡献率以及索引向量的关系 ,提出了针对归一化RBF网络的结构精简优化策略。最后 ,对该结构优化策略的可行性和有效性进行了仿真验证和性能比较。

基于混合粒子群算法和NRBF神经网络的短期电价预测

提出一种混合粒子群算法,在局部邻近区域的粒子群算法中引入收缩因子和被动聚集,将最邻近聚类用于NRBF神经网络的参数确定中,采用混合粒子群算法优化最近邻聚类的聚类半径,从而确定NRBF神经网络的参数,提高了NRBF神经网络的泛化能力。以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。

一种自适应强化学习算法在状态空间构建中的应用

针对模型未知以及具有连续状态的系统控制问题,提出一种基于强化学习的自适应控制策略。在Actor-Critic框架下,建立归一化径向基网络的自适应调节机制,实现未知系统状态空间的动态创建。有效克服了状态空间分割所带来的维度灾难,而且能够使得系统的结构总保持在最佳状态。通过对倒立摆控制的仿真研究验证了方法的有效性。