联系我们

工作时间: 8:30 - 22:00

客服电话: 400-660-0108

kefu@csdn.net 在线客服

关于我们
招贤纳士
商务合作
寻求报道
协议专区

友情链接
视觉中国
500px
直聘网
优设网
CSDN文库
CSDN下载
CSDN问答
京ICP备19004658号
经营性网站备案信息
公安备案号11010502030143
营业执照
北京互联网违法和不良信息举报中心
家长监护
中国互联网举报中心
网络110报警服务
Chrome商店下载
账号管理规范
版权与免责声明
版权申诉
出版物许可证
©1999-2026北京创新乐知网络技术有限公司

全部
Ada助手

社区 >资源 >帖子详情

求rbf神经网络源程序最好是用遗传算法改进过的 ~

2011-03-24 04:07:18 369 阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

Ethan_Zpy 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 关注 + 加入社区

神经网络参数优化算法,神经网络参数优化方案在BP网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。阅读详情

请高人给我个rbf神经网络源程序，最好是用遗传算法改进过的。
不甚感激。
请发至：zpyang@163.com；

...全文

配置赞助广告

Matlab实现PSO-TCN-LSTM-Attention粒子群算法优化时间卷积长短期记忆神经网络融合注意力机制多变量时间序列预测的详细项目实例这些数据包含了随时间变化她动态信息，具有显著她趋势她、周期她和季节她特征。该模型她核心优势在她其能够自适应地学习数据中她多层次时序信息，捕捉时间序列中她长短期依赖关系，从而提高预测她准确她和可靠她。本项目旨在实她一个基她PTO-TCN-LTTM-TFSttfntion她多变量时间序列预测模型，通过粒子群优化算法优化时间卷积长短期记忆神经网络，并融合注意力机制，提高模型她预测精度和稳定她。本项目模型她实她分为多个阶段，首先她数据预处理，接着她PTO优化，然后她TCN和LTTM网络她构建她训练。阅读详情

相关推荐

遗传算法优化RBF神经网络源程序

在这个“遗传算法优化RBF神经网络源程序”中，作者使用遗传算法来探索更优的权重配置，从而提高RBF网络的逼近能力。

遗传算法优化RBF神经网络

遗传算法优化RBF神经网络是一种将生物进化理论与人工神经网络结合的智能计算方法，用于提升RBF（Radial Basis Function）神经网络的性能。

基于改进RBF模糊神经网络的PID参数自整定

"本文主要探讨了一种基于改进的径向基函数(RBF)模糊神经网络的PID参数自整定控制算法，旨在解决传统PID控制器和模糊PID控制器在控制精度、自适应性和模糊规则设定上的局限性。通过集成遗传算法与反

weixin_38629391

遗传算法优化RBF神经网络程序

网络的性能很大程度上依赖于RBF的中心点、宽度以及隐含层与输出层之间的连接权重。遗传算法在优化RBF神经网络时，通常执行以下步骤：1.

littletomouyang

Matlab粒子群算法遗传算法优化RBF径向基神经网络-粒子群算法、遗传算法优化RBF径向基神经网络.rar

在RBF神经网络中，PSO可以用来优化中心点的位置、宽度和权重等参数。2. **遗传算法（GA）** 遗传算法是受生物进化过程启发的全局优化方法。

weixin_39841848

4

已收藏

求rbf神经网络源程序最好是用遗传算法改进过的 ~

请高人给我个rbf神经网络源程序，最好是用遗传算法改进过的。不甚感激。请发至：zpyang@163.com；

复制链接

扫一扫

返回顶部

资源 · 2,586 成员 · 18,437 内容

+ 关注 + 加入社区

评论 4

切换为时间正序

zhangmama900 2012-05-01

打赏
举报

回复

请问楼主，有没有C++的代码啊？

easonimissyou1 2012-04-24

打赏
举报

回复

有没有C代码的？？

独孤菜鸟 2011-06-20

打赏
举报

回复

路过学习

caonima131131 2011-05-19

打赏
举报

回复

clc;
clear;
close all;

% generate the learing data
ld=400; %学习数据的个数
x=rand(2,ld); % 在 0-1 之间随机产生2*ld的数据在矩阵中
x=(x-0.5)*1.5*2; %-1.5, 1.5 为了画图把它转变到【-1.5 1.5】之间
x1=x(1,:);
x2=x(2,:);
F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

%为了试验，自己产生的数据
% RBF开始了！！！

%生成网络
net=newrb(x,F); % x为输入，F为输出，这个函数会自己训练！！！！

%下面是怎么应用网络的问题！！！！

%generate the testing data
interval=0.1;
[i, j]=meshgrid(-1.5:interval:1.5);% meshgird产生的是方框数据
row=size(i);
tx1=i(:);
tx1=tx1';
tx2=j(:);
tx2=tx2';
tx=[tx1;tx2];
%以上为产生测试数据 tx

% 画图对比神经网络的结果和实际输出结果的差异

%testing 实践测试 ty 为神经网络的结果
ty=sim(net,tx);

v=reshape(ty,row);
figure
subplot(1,3,2)
mesh(i,j,v);
zlim([0,60])

%plot the original function
interval=0.1;
[x1, x2]=meshgrid(-1.5:interval:1.5);
F = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); % F为实际计算的结果
subplot(1,3,1)
mesh(x1,x2,F);
zlim([0,60])

%plot the error 看他们之间的差异
subplot(1,3,3)
mesh(x1,x2,F-v);
zlim([0,60])

% 怎么提高结果