收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

粒子群算法在神经网络参数优化中的应用

董延胜  
【摘要】:近年来,研究学者们从自然现象中不断获得启示,提出了许多优秀的智能算法,如遗传算法、蚁群算法、模拟退火算法以及粒子群优化算法等等,智能算法有了长足的发展。 神经网络用于优化计算采用BP算法作为连接权学习的工具,但是由于其是按误差的梯度下降方向搜索,所以易陷入局部最小而造成成熟前收敛的问题;用GA算法来优化神经网络的参数,可以达到搜索的遍历性,但是是以增加迭代次数为代价的,因此收敛速度比较慢。基本PSO算法应用到神经网络参数优化中既可以达到搜索的遍历性,又省去了GA算法中选择、交叉、变异等基本操作。在搜索速度上有所提高,但是由于群中的粒子都按照同一规则进行最优位置的更新和运动,在粒子陷入局部极小后,动作的一致性反而阻碍了算法跳出局部极小。 基于这一问题,本文提出了一种改进的粒子群算法:聚集-重置粒子群算法(FRPSO)。FRPSO主要思想是在原算法的种群产生聚集现象的时候,改变那些适应值最差的粒子。通过不断重新初始化种群中适应值最差的那些粒子,来避免算法陷入局部极小。 作者对改进的粒子群算法做了大量的研究,通过实验证明了改进的FRPSO算法能有效地帮助算法跳出局部极小,比原来的算法在性能上有了很大的提高,并将改进的FRPSO算法应用到神经网络参数优化中。通过对BP算法、GA算法和FRPSO算法的分析比较,结果验证了改进的FRPSO算法的有效性、优越性及可行性。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 杨茂兴;陈广才;;基于神经网络的模拟电路故障诊断研究[J];临沂师范学院学报;2006年03期
2 ;[J];;年期
3 ;[J];;年期
4 ;[J];;年期
5 ;[J];;年期
6 ;[J];;年期
7 ;[J];;年期
8 ;[J];;年期
9 ;[J];;年期
10 ;[J];;年期
11 ;[J];;年期
12 ;[J];;年期
13 ;[J];;年期
14 ;[J];;年期
15 ;[J];;年期
16 ;[J];;年期
17 ;[J];;年期
18 ;[J];;年期
19 ;[J];;年期
20 ;[J];;年期
 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