10.3969/j.issn.2095-2716.2017.03.019
基于KPCA遗传算法的预报模型及其应用
针对数据的相关性、网络参数初始化的随机性对神经网络模型效率和精度的影响,本课题提出采用核主成分分析和遗传算法,优化RBF神经网络结构和参数.首先,采集与人体健康度有关的指标,应用核主成分分析对其进行降维处理;然后,针对RBF网络初始权值、扩展常数设置随意性大的不足,用MATLAB编程实现遗传算法对RBF网络初始参数的优化,并用收集到的数据进行模型的训练和仿真;最后,将该模型与未进行网络优化的模型进行比较.分析和对比表明,该预报模型消除了指标间的相关性,并且提高了预报精度和速度,为预报问题的处理提供了新的研究思路.
核主成分分析(KPCA)、遗传算法(GA)、RBF神经网络、健康度评价
39
O242.1(计算数学)
华北理工大学校级大学生创新创业训练计划项目X2016303
2017-07-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
109-115