基于群體智能算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化及其應(yīng)用.pdf

1、本文的目的是研究運(yùn)用兩類(lèi)群體智能算法一粒子群算法(簡(jiǎn)稱(chēng)PSO)以及具有量子行為粒子群算法(簡(jiǎn)稱(chēng)QPSO)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，特別是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱(chēng)RBF NN)，以及基于QPSO和RBF NN的生化過(guò)程控制。由于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練歸結(jié)為對(duì)誤差函數(shù)的最小化，而誤差函數(shù)一般為多峰的，可能存在許多局部極值，一般的梯度算法往往找不到全局最優(yōu)解。PSO算法和QPSO算法都是全局搜索算法，所以用PSO算法或QPSO算法訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)對(duì)于提高神經(jīng)

2、網(wǎng)絡(luò)在建模和預(yù)測(cè)精度上具有重要意義。 首先，本文闡述了神經(jīng)網(wǎng)絡(luò)的基本原理和粒子群算法(PSO)以及具有量子行為粒子群算法(QPSO)的基本思想，強(qiáng)調(diào)了QPSO在全局優(yōu)化問(wèn)題中比PSO算法具有更好的收斂性能。接著以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF NN)為對(duì)象，應(yīng)用PSO與QPSO算法作為訓(xùn)練算法，給出了具體的操作過(guò)程。然后以函數(shù)逼近和地下水位預(yù)測(cè)問(wèn)題作為仿真實(shí)例，測(cè)試了基于PSO訓(xùn)練的RBF以及QPSO訓(xùn)練的RBF，比較了兩者的訓(xùn)練精

3、度和算法收斂速度。仿真結(jié)果表明，用QPSO訓(xùn)練RBF網(wǎng)絡(luò)，精度更高，收斂速度更快。 其次，還將QPSO訓(xùn)練的RBF應(yīng)用于系統(tǒng)辯識(shí)和混沌時(shí)間序列預(yù)測(cè)。文中以幾個(gè)著名的測(cè)試系統(tǒng)作為實(shí)例，將QPSO-RBF和PSO-RBF進(jìn)行測(cè)試，仿真結(jié)果表明，對(duì)于系統(tǒng)辯識(shí)問(wèn)題，QPSO-RBF能夠找到的系統(tǒng)參數(shù)更好，收斂速度更快。對(duì)于混沌時(shí)間序列預(yù)測(cè)問(wèn)題，QPSO-RBF的性能和效率同樣優(yōu)于PSO-RBF。 最后，本文還將 QPSO 用于基

4、于 RBF 網(wǎng)絡(luò)的生化過(guò)程控制。為了測(cè)試性能，分別將遺傳算法(Genetic Algorithm，簡(jiǎn)稱(chēng)GA)和QPSO算法用于谷氨酸發(fā)酵過(guò)程的生化變量預(yù)測(cè)，通過(guò)智能算法對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化，建立基于群體智能算法的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)難以在線(xiàn)測(cè)量的生化變量進(jìn)行離線(xiàn)預(yù)測(cè)。仿真結(jié)果證明，QPSO的收斂速度明顯高于GA算法，且魯棒性好。 本文的研究工作表明，用QPSO訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其性能優(yōu)于其他智能算法如：PSO算法和遺傳算法，收斂速