基于改進粒子群算法的模糊神經網絡研究.pdf

1、近年來，模糊神經網絡正日益引起學術界的重視和關注，模糊邏輯具有模擬人類大腦推理的能力，可廣泛用于模式識別、專家系統、故障診斷、系統辨識以及非線性系統的控制。神經網絡則具有從數據中學習的能力、并行處理能力、容錯以及泛化能力。模糊神經網絡結合了兩者的優(yōu)點，克服了神經網絡從輸入到輸出的“黑箱”式非線性映射，又克服了人為選取模糊規(guī)則時存在的主觀性。很多專家預測模糊神經網絡技術有望成為21世紀智能控制領域的核心技術，并且其學習算法也引起了高度的重

2、視。
　　目前使用的最多的學習算法仍然是基于梯度下降的BP算法和遺傳算法。然而基于梯度下降的BP網絡存在收斂速度慢、易陷入局部極小的缺陷。而遺傳算法需要設置很多參數。為了解決BP算法和遺傳算法的缺點，一些學者把粒子群算法用于對模糊神經網絡權值的訓練。
　　PSO的優(yōu)勢在于簡單容易實現并且沒有許多參數需要調整。目前已廣泛應用于函數優(yōu)化，神經網絡訓練，模糊系統控制等領域。
　　針對模糊神經網絡權值訓練的非線性、復雜過程，慣

3、性權重線性遞減的線性粒子群算法往往不能反映非線性優(yōu)化搜索過程，動態(tài)粒子群算法雖然能較好的實現非線性的搜索，但是更容易陷入局部最優(yōu)。
　　因此本文提出了基于禁忌搜索的動態(tài)粒子群算法。改進的粒子群算法引入了禁忌搜索的思想，來解決動態(tài)粒子群算法容易陷入局部最優(yōu)的問題；并對禁忌公式進行了修改，使其不僅可以解決極小值最優(yōu)問題，而且可以解決極大值最優(yōu)問題。實驗結果表明，改進的粒子群算法在非線性的搜索極值過程中收斂速度和最終結果都要優(yōu)于慣性權重