WRBF网络的设计及其在混沌时间序列中的应用

结合小波网络良好的时频特性和 RBF 网络良好的局部特性,设计小波径向基函数网络(WRBF),该四层网络较三层小波网络和三层 RBF 网络有更优的特性。网络的第一隐层对输入样本进行小波映射,完成对输入信息的压缩,第二隐层实现径向基函数的非线性计算,克服了 RBF网络在处理多维样本时神经元的中心点和宽度难以确定及网络结果往往较复杂的弱点。为实现对网络结构和参数的同时优化,提出用二进制—复数混合编码的自适应进化规划,利用双倍体基因拓展染色体的信息量,加快算法的收敛速度,实现全局优化。在算法研究的基础上,利用 WRBF 网络对混沌时间序列进行预测,验证了方法的有效性。

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。