收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于协同PSO算法的模糊辨识与神经网络学习

赵亮  
【摘要】: 粒子群优化(Particle swarm optimization,PSO)算法是一种基于群体智能的算法,它模拟鸟群、鱼群和蜂群等动物群体的觅食行为,通过个体之间的相互协作使群体达到最优化目的。同遗传算法类似,PSO算法也是一种基于种群的优化技术,它初始化为一组随机解,粒子群在搜索空间中追随种群中的最优粒子进行协同搜索。PSO算法具有操作简单、需要调节的参数少、收敛速度快等特点,因而引起越来越多的关注,成为计算智能及经济、社会、生物等交叉学科的研究热点和前沿。 协同搜索的主要思想是使用多个模块同时搜索问题空间,这些模块之间相互交换信息,以提高算法的效率,它在研究大规模复杂优化问题中得到了广泛的应用。本文主要研究了结合协同搜索和PSO算法的协同PSO算法,以及其在模糊辨识和神经网络学习中的应用。 本文首先介绍了PSO算法的产生背景、研究的主要内容和开放问题等;接着给出了协同PSO算法的基本框架和参数分析;然后提出了协同随机PSO算法来改进标准PSO算法的性能;最后将提出的改进算法和协同进化PSO算法应用在模糊辨识和神经网络学习等领域。本文研究的主要内容和创新点可概括如下: (1)提出了一种协同随机PSO算法,使用多个子种群同时搜索问题空间,在迭代的过程中,不同的子种群间以随机方式相互交换信息。粒子通过学习不同子种群的最优历史信息来更新自己的速度和位置,保持了种群的多样性;同时,使用多个子种群的有用信息也保证了算法的收敛速度。从而算法的全局和局部搜索能力达到了很好的平衡。 (2)提出了一种基于减法聚类和协同随机PSO算法的二阶段模糊辨识方法:减法聚类用来辨识模糊模型的结构,协同随机PSO算法用来优化模型的参数,同时使用减法聚类的结果来初始化算法的种群。该辨识方法能有效地获得紧凑而精确的模糊模型。 (3)针对一类用于时间序列预测的单乘法神经元模型,引入协同随机PSO算法来加强其学习能力。单乘法神经元模型可以看作是结构简单,参数较少的神经网络,代替多层神经网络来完成函数逼近等任务。协同随机PSO算法作为该模型的训练算法,提高了模型的学习效率和鲁棒性。 (4)针对模糊模型辨识中模型结构难以确定的问题,提出了一种基于协同进化PSO算法的自动模糊模型辨识方法。首先预定义一个最大的模糊规则数,每条规则都有一个标签来决定其是否属于模糊模型;然后将标签、模糊模型的前件参数和后件参数编码成不同的粒子,使用三个PSO算法协同地搜索;通过标签的进化可以得到模糊模型的结构,在模型性能达到最优时,也得到了最优的模型参数。该方法能直接从输入输出数据抽取精确的模糊模型。 (5)针对全连接神经网络的结构冗余问题,提出了一种基于协同进化PSO算法的同时调节神经网络结构和权值的方法。首先定义了一种带开关权值的神经网络模型,开关权值由离散值0和1表示,用来决定神经网络的结构;然后使用协同进化的二进制PSO算法和实值PSO算法来优化网络结构和模型参数。该方法能有效地获得精度高而结构精简的神经网络。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 胡子萍,崔萍,马晓敏;一种用于布尔逻辑设计的神经网络学习算法[J];石油大学学报(自然科学版);2001年03期
2 周颢,任庆生,戚飞虎;一种基于模糊推理的神经网络学习算法[J];上海交通大学学报;2004年01期
3 彭燕涛;黄文杰;;基于神经网络学习的发电商竞价支持研究[J];中国电力教育;2005年S2期
4 薛继伟;李耀辉;陈冬芳;;一种基于区间优化的神经网络学习算法[J];计算机工程;2006年04期
5 陈明建,胡上序;神经网络学习算法中的参数估值[J];计算机工程与设计;1992年06期
6 孙志毅,曾建潮;一种神经网络学习控制的仿真研究[J];系统仿真学报;1997年03期
7 张荣,韩京清;加快神经网络学习的梯度幂次法[J];系统工程理论与实践;1998年06期
8 马勇,杨煜普,许晓鸣,石坚,卓斌,吴远朋;一类再励学习控制器设计及其在倒车模型中的应用[J];上海交通大学学报;2000年12期
9 郑建国,刘芳,焦李成;基于正交校正共轭梯度法的快速神经网络学习算法研究[J];电子与信息学报;2002年05期
10 武妍,张立明;一种新的模糊规则动态调整正则项系数的神经网络学习方法[J];红外与毫米波学报;2002年03期
11 刘蕴辉,罗四维,李爱军,俞翰斌;基于凸规划观点的神经网络学习[J];北方交通大学学报;2004年05期
12 陈丽,戚飞虎;一种新的基于梯度动力学的协同神经网络学习算法[J];东华大学学报(自然科学版);2004年05期
13 陈丽,戚飞虎;基于梯度动力学的协同神经网络学习算法的改进[J];计算机工程与科学;2005年01期
14 陈丽,戚飞虎;基于梯度动力学的协同神经网络学习算法的改进[J];计算机应用与软件;2005年01期
15 董国君;哈力木拉提·买买提;;基于随机退火的神经网络学习算法及其应用[J];计算机工程与应用;2010年19期
16 马晓敏,杨义先;基于内积方向的神经网络学习算法及应用[J];北京邮电大学学报;1998年04期
17 张铃,张钹;神经网络学习中“附加样本”的技术[J];软件学报;1998年05期
18 朱庆保;非线性函数的自适应分区多神经网络学习及仿真实验[J];计算机工程;2003年02期
19 杨钟瑾;;自底向上加快神经网络学习的算法[J];湖南师范大学自然科学学报;2006年03期
20 严太山;;基于遗传算法的神经网络学习算法研究[J];湖南理工学院学报(自然科学版);2007年01期
中国重要会议论文全文数据库 前10条
1 汪小帆;宋文忠;;高阶连续时间随机神经网络学习算法研究[A];1995年中国控制会议论文集(下)[C];1995年
2 欧阳聪星;周健;乐光新;;一种新的采用神经网络学习的信号子空间跟踪算法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
3 王直杰;方建安;邵世煌;;一种改进的遗传算法及其在神经网络学习中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集(下册)[C];1995年
4 张荣;韩京清;;加快神经网络学习的梯度幂次法[A];1997年中国控制会议论文集[C];1997年
5 史天运;贾利民;;进化神经网络学习算法和软件的研究[A];2003年中国智能自动化会议论文集(上册)[C];2003年
6 鲁小帆;郭嗣琮;董超;;基于遗传算法的神经网络学习算法研究[A];中国计量协会冶金分会2007年会论文集[C];2007年
7 李银国;张邦礼;;小波基神经网络学习算法分析[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集(上册)[C];1995年
8 刘朝阳;;领域知识和数据结合的神经网络学习方法和应用[A];复杂巨系统理论·方法·应用——中国系统工程学会第八届学术年会论文集[C];1994年
9 骆再飞;管冰蕾;周世官;;基于混合粒子群优化的神经网络学习算法[A];2009中国控制与决策会议论文集(2)[C];2009年
10 王峥;李介谷;;基于遗传算法的混合神经网络学习算法[A];1996年中国智能自动化学术会议论文集(下册)[C];1996年
中国博士学位论文全文数据库 前2条
1 赵亮;基于协同PSO算法的模糊辨识与神经网络学习[D];上海交通大学;2009年
2 郭庆;多Agent系统协商中若干关键技术的研究[D];浙江大学;2003年
中国硕士学位论文全文数据库 前10条
1 高东莲;神经网络学习算法及其应用[D];燕山大学;2012年
2 王贤明;基于椭球集员估计理论的神经网络学习算法研究[D];长沙理工大学;2010年
3 徐骏;基于解析优化方法的神经网络学习算法研究[D];南京理工大学;2010年
4 冯超;递增的稀疏神经网络学习算法研究[D];上海交通大学;2008年
5 于秀丽;对神经网络学习算法的研究[D];河北工业大学;2003年
6 阮承妹;基于STDP的脉冲神经网络学习算法的研究[D];福建师范大学;2013年
7 穆云峰;RBF神经网络学习算法在模式分类中的应用研究[D];大连理工大学;2006年
8 刘彩红;BP神经网络学习算法的研究[D];重庆师范大学;2008年
9 李明干;基于卡尔曼滤波的神经网络学习算法及其在短期负荷预测中的应用[D];华中科技大学;2004年
10 王博;Ojam及改进的Oja-Xu学习算法的收敛性[D];大连理工大学;2012年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978