差分算法优化径向基神经网络回归分析，DE-RBF多输入单输出回归分析

目录

RBF的详细原理
RBF的定义
RBF理论
易错及常见问题
差分进化算法原理
差分算法主要参数
差分算法流程图
差分算法优化测试函数代码
完整代码包含数据下载链接： （代码完整，数据齐全）资源-CSDN文库 https://download.csdn.net/download/abc991835105/88899639
数据
matlab编程实现
效果图
结果分析
展望

摘要

心理状况评估，差分遗传进化算法，差分进化算法改进的BP神经网络。

RBF的详细原理

RBF的定义

径向基函数（Radical Basis Function，RBF）方法是Powell在1985年提出的。所谓径向基函数，其实就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心c之间欧氏距离的单调函数，可记作k(||x-c||)，其作用往往是局部的，即当x远离c时函数取值很小。例如高斯径向基函数：

RBF理论

RBF神经网络算法是由三层结构组成，输入层至隐层为非线性的空间变换，一般选用径向基函数的高斯函数进行运算；从隐层至输出层为线性空间变换，即矩阵与矩阵之间的变换。
rbf神经网络原理是用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。
RBF是一种前馈型的神经网络，也就是说他不是通过不停的调整权值来逼近最小误差的，的激励函数是一般是高斯函数和BP的S型函数不一样，高斯函数是通过对输入与函数中心点的距离来算权重的。
简而言之，RBF神经网络其实就是，具有不同激活函数和应用方向的前馈网络。

差分进化算法

基本定义

差分进化算法(Differential Evolution Algorithm，DE)是一种高效的全局优化算法。它也是基于群体的启发式搜索算法，群中的每个个体对应一个解向量。差分进化算法的进化流程则与遗传算法非常类似，都包括变异、杂交和选择操作，但这些操作的具体定义与遗传算法有所不同

编码及基本操作

DE算法通过采用浮点矢量进行编码生成种群个体。在DE算法寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去

DE算法主要的控制参数包括：种群规模(NP)、缩放因子(F)和交叉概率(CR)。
NP主要反映算法中种群信息量的大小，NP值越大种群信息包含的越