基于自适应PSO 的RBF网络分类算法实现

免责声明：本文仅代表个人观点，如有错误，请读者自己鉴别；如果本文不小心含有别人的原创内容，请联系我删除；本人心血制作，若转载请注明出处

本文出处：本博客是根据 “何同弟” 的博士论文 “高光谱图像的分类技术研究”的“基于自适应PSO 的RBF网络分类算法实现”一节而写，大部分细节皆取自此文，如有兴致，请直接查看原文。

①、读入训练样本和测试样本

C1 、C2 、C3 、C4、C5 、C6 、C7表示被分类的7种类别屋顶、道路、草地、树木、小路、水体、和阴影。

②、数据归一化处理

③、RBF网络核函数参数的训练

用PSO进行RBF网络核函数参数的优化的过程如下：

1）初始化粒子群及神经网络，确定粒子群规模也就是维数, 建立PSO粒子的维度空间与神经网络连接权值之间的映射。

设定群体规模为20=N，最大迭代次数Tmax=100,随机生成群体位置矩阵X和速度矩阵V：

2）计算各粒子的适应度，使用神经网络的均方误差作为 PSO 的适应函数

3）对每个粒子，比较它的适应度与它经历最好位置的适应度，如果更好， 更新pbest 

4）对每个粒子，比较它的适应度与群体所经历最好位置的适应度，如果更好，更新gbest 
5）根据公式(3.10) 和（3.11)更新粒子的速度和位置