以啟發式演算法建構最佳輻狀基底類神經網路

Abstract

近年來由於類神經網路擁有優秀的學習與推演能力，因此獲致許多研究領域與工業應用的青睞。然而對於建構適當的類神經網路，須先決定網路大小，再根據系統資料特性來調整其中的鍵結權重；因此，網路的相關參數設定，不但影響網路大小與權重，更影響了網路的表現。其中輻狀基底類神經網路(RBFNN)已廣泛地被應用於各領域，並獲致不錯之效果；傳統架構RBFNN多以垂直最小平方法(OLS)與序率坡降法(SGA)推估網路初始架構及相關連結權重值，其中參數之設定則是影響網路效能之關鍵，而前人研究中皆以試誤法進行參數之設定，在效率及效能上皆有改善之空間。有鑑於此，本研究提出兩個策略來搜尋最佳RBFNN模式：搜尋策略一是以禁忌演算法(Tabu)優選「OLS結合SGA」之相關設定參數，搜尋策略二則是以遺傳演算法(GA)搜尋網路神經元位置。兩策略除了以優選之概念尋找RBFNN之最佳架構，亦提供一自動化訓練流程，以提升網路之應用性。 本研究以Mackey-Glass發展出之混沌時間序列(Mackey-Glass chaotic time series)為例，進行模式之驗證，除了探討兩搜尋策略之優劣外，並與過去試誤法建立之RBFNN作比較；結果顯示，兩最佳模式在效能上不分軒輊，在效率上則有所差異，而兩者之結果無論在效能及效率上皆較以「OLS結合SGA」架構RBFNN的方式大為提升。