基于改進螢火蟲群優(yōu)化算法的BP神經(jīng)網(wǎng)絡研究.pdf

1、BP(Back Propagation)神經(jīng)網(wǎng)絡是目前最重要的神經(jīng)網(wǎng)絡之一，其結(jié)構簡單、工作時狀態(tài)穩(wěn)定、并且易于硬件實現(xiàn)，被廣泛應用于模式識別、分類預測、系統(tǒng)仿真和圖像處理等諸多領域。但是，BP神經(jīng)網(wǎng)絡在廣泛應用過程中被發(fā)現(xiàn)存在一些缺陷，比如對初始權值敏感、容易陷入局部極小值、隱含層結(jié)構難以確定等。針對這些問題，本文提出一種利用改進螢火蟲群優(yōu)化算法訓練BP神經(jīng)網(wǎng)絡的權值和閾值的方法。
　　螢火蟲群優(yōu)化算法是一種基于群體智能的優(yōu)化算

2、法，能較快地找到全局最優(yōu)值。為了避免螢火蟲群優(yōu)化算法出現(xiàn)過早收斂、后期收斂速度慢和收斂精度不高等現(xiàn)象，本文提出一種基于混合變異的螢火蟲群優(yōu)化算法(HM-GSO)。該算法采用混沌變異和邊界變異混合變異的方法來增加螢火蟲種群的多樣性，使得陷入局部極值的螢火蟲能及時地跳出來，且不會出現(xiàn)過多螢火蟲聚集邊界的現(xiàn)象。運用六個標準測試函數(shù)進行實驗，結(jié)果表明，改進后的螢火蟲群優(yōu)化算法比基本螢火蟲群優(yōu)化算法具有更高的尋優(yōu)速度、尋優(yōu)精度和收斂率。
　

3、　BP神經(jīng)網(wǎng)絡的初始權值和閥值是隨機產(chǎn)生的，而這些初始值的整體分布對于網(wǎng)絡是否會陷于局部極小值、網(wǎng)絡的性能和擬合效果等都有著重要影響。利用改進的螢火蟲群優(yōu)化算法結(jié)合BP算法獲得較好的網(wǎng)絡初始連接權值和閾值，以此開始網(wǎng)絡的學習，通過仿真實驗表明，該混合優(yōu)化算法在分類預測問題中有較高的測試精度和較好的擬合能力，避免了BP神經(jīng)網(wǎng)絡對初始值敏感和訓練過程容易陷入局部極小值的問題，提高了BP神經(jīng)網(wǎng)絡的泛化能力、收斂速度和學習能力，驗證了該優(yōu)化算法