改進的粒子群算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的研究.pdf

1、BP神經(jīng)網(wǎng)絡(luò)被廣泛的應(yīng)用于模式識別、人工智能、信號處理和自動控制等諸多領(lǐng)域,它是被研究及應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中暴露出收斂速度慢、對初值敏感、存在局部極小點、隱含層層數(shù)及神經(jīng)元數(shù)目難確定等問題。本文通過采用基于隨機慣性權(quán)重的簡化粒子群優(yōu)化算法優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及連接權(quán)值和閥值,來克服BP神經(jīng)網(wǎng)絡(luò)存在的問題。主要工作如下所示:
　　1)為了避免粒子群優(yōu)化算法中出現(xiàn)的早熟收斂及搜索精度不高現(xiàn)象,提

2、出一種基于隨機慣性權(quán)重的簡化粒子群優(yōu)化算法(SIWSPSO)。該算法是基于去除速度項簡化結(jié)構(gòu)的粒子群優(yōu)化算法基礎(chǔ)上,用隨機變量來描述慣性權(quán)重,學(xué)習(xí)因子采用異步變化的策略,每個粒子的個體極值采用所有粒子個體極值的平均值代替。通過幾個典型測試函數(shù)仿真及F-檢驗結(jié)果表明, SIWSPSO算法在搜索速度、收斂精度、魯棒性方面較已有改進算法有了顯著提高,并且具有擺脫陷入局部最優(yōu)解的能力,有效地解決了標(biāo)準(zhǔn)粒子群算法離散化、早熟收斂、后期收斂速度慢等

3、問題。
　　2)采用基于隨機慣性權(quán)重的簡化粒子群優(yōu)化算法優(yōu)化求解全局最優(yōu)值,通過映射關(guān)系得出神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目、連接權(quán)值和閾值的初始值;為了進一步提高誤差精度再使用BP算法對神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進行訓(xùn)練學(xué)習(xí)。在新的混合算法中粒子的維度,被映射成神經(jīng)網(wǎng)絡(luò)連接權(quán)值個數(shù)、閾值個數(shù)及隱含層的層數(shù)之和。通過仿真實驗,結(jié)果表明該混合算法在模式識別的分類問題中得到較高的正確率,具有較高的擬合能力。不但能避免BP神經(jīng)網(wǎng)絡(luò)對初值敏感、收斂