粒子群優(yōu)化算法及其在神經網(wǎng)絡中的應用.pdf

1、自上世紀80年代以來,智能優(yōu)化算法(如人工神經網(wǎng)絡、混沌算法、遺傳算法等)通過模擬或揭示某些自然現(xiàn)象和過程而發(fā)展起來,為優(yōu)化理論提供了新的思路和手段,并在科學、經濟以及工程領域得到了廣泛應用.粒子群優(yōu)化算法是一種基于種群搜索策略的自適應隨機算法.作為智能優(yōu)化算法中的一種,它可用于求解大部分的優(yōu)化問題,并在工程實踐中表現(xiàn)出巨大潛力,現(xiàn)已廣泛應用于神經網(wǎng)絡、模糊系統(tǒng)控制、模式識別等多個領域.本文對粒子群算法的收斂性進行分析,闡述了過早收斂問

2、題的產生原因,并對此給出了生存密度粒子群(SDPSO)與速度變異粒子群(VMPSO)兩種改進型算法.SDPSO以自然界和物理界的基本原理為導向,通過提高種群多樣性的方法使算法獲得持續(xù)搜索能力.實驗結果表明,該算法能有效克服過早收斂問題,并有助于增大種群跳出局部極值的幾率.VMPSO對粒子每一維上的速度進行操作,從而將在高維度空間上的搜索轉化為在每一維上分別進行搜索.實驗結果顯示,對于30維Griewank和Rastrigin多模態(tài)函數(shù),

3、VMPSO均已找到全局最優(yōu)值0,而且對于所有被測函數(shù),其整體性能指標均超出基本PSO多個數(shù)量級.此外,VMPSO對高維度函數(shù)的優(yōu)化效果更加明顯.本文將SDPSO與VMPSO算法作為學習算法用于神經網(wǎng)絡訓練,使用三組標準分類數(shù)據(jù)集進行測試,并與其它幾種經典學習算法進行比較,結果表明:基于SDPSO與VMPSO算法的感知機網(wǎng)絡在分類準確率上明顯優(yōu)于梯度算法、BP算法以及遺傳算法.本文給出了一套用神經網(wǎng)絡進行人腦認知狀態(tài)分類的解決方案,并使用