曹文琪，张 聪

(武汉轻工大学 数学与计算机学院，湖北 武汉 430023)

0 引 言

我国目前的土壤重金属污染情况十分严峻[1]，对未知区域的土壤重金属含量进行预测是土壤重金属污染治理过程中重要的一环。随着人们对神经网络的研究逐渐深入，径向基神经网络(RBFNN)在数据预测方面的应用越来越多，它相较于常见的BP神经网络具有更好的泛化能力，同时其本身具有收敛速度较快、全局逼近能力强等特点[2]。但由于RBFNN隐含层基函数的中心与宽度向量难以确定，以及其输出层参数的初始化方式通常为随机生成且使用梯度下降法进行训练，往往导致网络的性能不稳定，训练结果易陷入局部极小值[3,4]。将遗传算法与RBFNN进行结合后可以有效避免由变量的初始随机化生成导致的性能不稳定问题，但易陷入局部极小值及遗传算法本身存在的易过早收敛等问题仍未得到较好的解决[5]。本文提出一种深度复合模型(DCM)，该模型将加入了基于双曲正切函数变换的概率调整和容忍准则的遗传算法与RBFNN结合以获得更好的初始输出层参数，同时构造随梯度正负值变化的学习率调整公式并引入到均方根反向传播算法(RMSProp)中，用于对RBFNN中的参数进行训练，以此克服遗传算法与RBFNN的传统缺陷，使模型在进行土壤重金属含量预测时具有较高的稳定性与准确性。

1 遗传径向基神经网络(GA-RBFNN)

GA-RBFNN是将遗传算法与径向基神经网络结合起来的一种网络[6，7]，该网络首先以径向基神经……