免疫粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡的研究.pdf

1、目前，基本粒子群優(yōu)化小波神經(jīng)網(wǎng)絡的方法對收斂速度和精度提高起到了一定作用，但是并沒有很好的解決陷入局部極值和全局搜索能力差的問題。針對這些問題，本文在粒子群算法的算法基礎之上提出了一種改進方法，即將人工免疫機制引入到算法中的免疫粒子群優(yōu)化算法。通過進行一系列的對比仿真實驗，證明將此算法用來優(yōu)化小波神經(jīng)網(wǎng)絡可以很好的解決陷入局部極值問題，對網(wǎng)絡的收斂速度的提高也有很大的幫助，還能減小輸出結(jié)果的誤差精度，并提高算法搜索能力?？偟膩碚f，對于小

2、波神經(jīng)網(wǎng)絡整體性能的提高是有很大幫助的。
　　 本文首先介紹了小波神經(jīng)網(wǎng)絡的發(fā)展歷史、國內(nèi)外情況和一些目前常用訓練方法。接著，介紹了小波神經(jīng)網(wǎng)絡的理論基礎和一些常用的母小波，并對目前常用的一些訓練小波神經(jīng)網(wǎng)絡的方法做了相關介紹。
　　 然后重點討論了粒子群優(yōu)化算法的相關理論研究和一些常用的改進方法，借此引出了本文所使用的改進方法，具體來說就是，在粒子群優(yōu)化算法的基礎上，引入了人工免疫算法中的免疫機制，從而形成了免疫粒子群

3、優(yōu)化算法，該算法不僅有利于提高粒子群的種群多樣性，而且對算法的收斂速度和精度的提高也有著顯著作用。通過使用免疫粒子群算法來優(yōu)化小波神經(jīng)網(wǎng)絡，可以有效的解決制約小波神經(jīng)網(wǎng)絡發(fā)展的缺陷，像收斂速度慢、容易陷入局部極值等。
　　 接下來，本文分別使用基本粒子群算法和免疫粒子群算法來分別訓練函數(shù)進行訓練，通過對實驗數(shù)據(jù)的分析，證明了免疫粒子群算法性能上的優(yōu)越性。接著將其應用到了簡單的機動單目標跟蹤模型中，以驗證其在實際應用中性能。經(jīng)過對