Resumen

Al enfrentarse a los problemas complejos, la red neuronal de función de base radial (RBF) tiene las ventajas de la capacidad de adaptación y autoaprendizaje, pero es difícil determinar el número de neuronas de la capa oculta, y la capacidad de aprendizaje de los pesos desde la capa oculta hasta la capa de salida es baja; estas deficiencias conducen fácilmente a la disminución de la capacidad de aprendizaje y la precisión del reconocimiento. Con el objetivo de resolver este problema, proponemos un nuevo algoritmo de red neuronal RBF optimizado basado en el algoritmo genético (algoritmo GA-RBF), que utiliza el algoritmo genético para optimizar los pesos y la estructura de la red neuronal RBF; elige nuevas formas de codificación híbrida y optimización simultánea. Utilizando la codificación binaria codifica el número de neuronas de la capa oculta y utilizando la codificación real codifica los pesos de conexión. El número de neuronas de la capa oculta y los pesos de conexión se optimizan simultáneamente en el nuevo algoritmo. Sin embargo, la optimización de los pesos de conexión no está completa; necesitamos utilizar el algoritmo de mínimos cuadrados medios (LMS) para una mayor inclinación, y finalmente obtener un nuevo modelo de algoritmo. Utilizando dos conjuntos de datos estándar de la UCI para probar el nuevo algoritmo, los resultados muestran que el nuevo algoritmo mejora la eficiencia operativa al tratar problemas complejos y también mejora la precisión del reconocimiento, lo que demuestra que el nuevo algoritmo es válido.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:nuevo algoritmo, neuronas de la capa oculta, peso de la conexión, red neuronal, algoritmo genético, capa oculta, precisión de reconocimiento, problema complejo, conjunto de datos estándar, optimización del peso de la conexión
• Keywords:new algorithm, hidden layer neurons, connection weight, neural network, genetic algorithm, hidden layer, recognition precision, complex problem, standard data set, connection weight optimization