基于改進PSO算法的模糊神經(jīng)網(wǎng)絡(luò)研究.pdf

1、隨著科學技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)以其較強的學習能力、泛化能力和并行處理能力備受學術(shù)界的關(guān)注;模糊邏輯憑著較強的模擬人類大腦推理能力被廣泛的應用在模式識別、故障診斷、股票預測等非線性系統(tǒng)中。不少科學家預測，將模糊邏輯和神經(jīng)網(wǎng)絡(luò)結(jié)合起來的模糊神經(jīng)網(wǎng)絡(luò)(FuzzyNeuralNetwork，F(xiàn)NN)將會成為智能領(lǐng)域中的核心技術(shù)。遺傳算法和基于梯度下降的BP算法是目前被廣泛使用的方法，但是遺傳算法需設(shè)置的參數(shù)較多，基于梯度下降的BP算法的收斂速

2、度慢，且容易陷入局部極小值。本文使用的粒子群(ParticleSwarmOptimization，PSO)算法能夠很好地克服以上兩種算法的缺點，已被廣泛應用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓練、模糊系統(tǒng)控制等領(lǐng)域。
　　慣性權(quán)重遞減的線性粒子群算法不能很好地反映非線性優(yōu)化的搜索過程，而動態(tài)粒子群算法能夠?qū)崿F(xiàn)非線性搜索，但是卻極易陷入局部最優(yōu)。針對模糊神經(jīng)網(wǎng)絡(luò)權(quán)值訓練的非線性和復雜過程的特點，以上常規(guī)粒子群算法不能達到較好的優(yōu)化效果，因此必須對

3、常規(guī)的粒子群算法進行改進。
　　本文對PSO算法的改進包括兩個方面:一是對粒子群速度更新公式的改進，將原公式中個體粒子的最優(yōu)值替換為所有粒子最優(yōu)值的平均值，使粒子在決策自己行為時借鑒其他粒子的經(jīng)驗;二是對慣性權(quán)重ω的計算方法進行改進，以此來提高粒子群算法的自適應性。實驗結(jié)果證明了改進PSO算法在非線性搜索過程中的收斂速度比標準粒子群算法快，誤差也更小。然后通過改進PSO算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，采用函數(shù)擬合的方法對比改進PSO算