进化RBF神经网络分类器研究

【摘要】：本文致力于基于进化的RBF神经网络分类技术研究,重点解决该技术在通信信号调制识别和信道均衡两方面的应用问题,主要包括基于遗传算法的分类特征选择、基于遗传算法的资源分配网络(Resource-Allocating network,RAN)初始化、基于进化RBF神经网络的调制分类器设计与实现,以及基于进化RBF神经网络的信道均衡器设计与实现等内容。本论文工作是作者所在实验室承担的军队某大型工程研究项目的一部分。 本文的主要工作成果和创新点概括如下。 1.深入研究了作为进化理论重要内容之一的遗传算法在通信调制信号特征选择中的应用。提出了两种基于家庭竞争思想的改进遗传算法,一是基于群体中值信息,自适应调整交叉概率和变异概率。二是基于进化种群不可行解和个体违约程度信息,自适应调整惩罚系数。两种算法有效协调了种群多样性和选择压力之间的矛盾,都能够快速收敛到全局最优解,以最优特征子集作为RBF神经网络调制分类器的输入,减少了冗余特征对分类正确率和分类器结构复杂度的影响。 2.基于遗传算法,提出了两种改进的资源分配网络(Resource-Allocating network,RAN)初始化算法,以实现对RBF神经网络的输入数据预聚类,以聚类中心作为RAN算法的起始中心。一种改进算法是基于流水线遗传算法,加快了RAN算法收敛速度；另一种改进算法是以双倍体方式对4QAM信号编码,对复数域的RAN算法初始化,提高了复数RBF神经网络均衡器的性能。两种算法都降低了RAN算法对异常数据和噪声的敏感度,不仅提高了RBF神经网络调制分类器的分类准确率,而且提高了复数RBF神经网络均衡器处理恶劣信道的能力。 3.提出了一种基于改进适应度函数的递阶遗传算法RBF调制分类器算法。常规的单目标加权求和函数作为算法适应度,其实现前提是需要给多个参数合理赋值,由于适应度函数综合考虑了网络结构复杂度和网络精确度,因此,微小的数值变化都会影响分类器的结构规模及分类性能。新的适应度函数只有一个待定参数,可根据网络应用需要较精确地设定。简化了设计进化算法的难度和复杂度,提高了RBF调制分类器的分类准确率。 4.提出了一种基于改进递阶遗传算法的RBF信道均衡器算法。这类算法通常将均衡转化为分类识别问题。算法对递阶遗传算法适应度函数待定参数的赋值提出了一种新方法,通过确定信道传输函数零点与单位圆的最小距离,给出了待定参数的取值范围,减少了设计算法的工作量,避免了经验因素对算法的影响,拓展了RBF均衡器的应用范围。提出了一种基于自适应小生境的递阶遗传算法。以控制基因的最小汉明距离作为小生境区域,可自适应地动态控制群体搜索的范围,有效避免了固定小生境区域带来的计算复杂度高、求解质量低的问题,算法单次运行即可提供多个较优解,在聚类有效性判决基础上,可从中选择最理想的解作为RBF神经网络均衡器结构。 5.提出一种改进选择策略的多目标进化方法,并将这种算法应用于RBF均衡器设计。该算法进化过程中只保留部分精英,并且随着进化深入而逐渐减少保存的数量,有效抑制了进化群体局部最优解的快速聚集,解决了改进非支配排序遗传算法(NSGA-II)全部保留精英造成的容易早熟收敛问题。进化得到的Pareto最优解集,为RBF均衡器的设计提供了更多直观而又可靠的选择。 论文各章节中分别给出了所提出算法的翔实仿真实验结果,证实了算法的正确性、可行性和相应的性能特点。