資源描述：
《基于PSO的BP神經(jīng)網(wǎng)絡(luò)研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)研究杜華英基金項(xiàng)目：惠州學(xué)院科研基金項(xiàng)目（C206·0212）作者簡介：杜華英（1975-），女，江西樟樹人，惠州旅游學(xué)校信息技術(shù)部工程師，工程碩士。（惠州旅游學(xué)校信息技術(shù)部，廣東惠州516057）摘要BP神經(jīng)網(wǎng)絡(luò)由于可以根據(jù)誤差的反向傳播來糾正權(quán)值和閾值，所以在許多領(lǐng)域取得了成功，但是它有可能陷入局部極小，不能確保收斂到全局極小點(diǎn)。另外，反向傳播訓(xùn)練次數(shù)多，收斂速度慢，使學(xué)習(xí)結(jié)果有時(shí)不能令人滿意。如果用均方誤差指標(biāo)作為適應(yīng)值的粒子群算法對BP網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練，會得到較快的收斂速度，而且可以避免局部最值的出現(xiàn)。關(guān)鍵詞神經(jīng)網(wǎng)絡(luò)；BP網(wǎng)絡(luò)；PSO優(yōu)
2、化算法；均方差TheResearchingofBPNeuralNetworksBasedonPSODUHua-ying1（InformationTechnologyOffice,HuizhouTourismSchool,Huizhou516057China）AbstractForfeed-forwardneuralnetwork,BPalgorithmisamongthemostimportantneuralnetworkalgorithms.But,BPalgorithmhasitslocalminima,italsomayspendmuchtrainingtimeand
3、trainingepochs,andmayalsogetnon-anticipantconvergence.Here,BPneuralnetworkbasedonPSOcanreducethetrainingtimeandtrainingepochs,andtheconvergenceisalsoimproved.KeywordsANN；BPneuralnetwork；ParticleSwarmOptimization(PSO)；mean-squareerror0引言人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）是模仿生物神經(jīng)網(wǎng)絡(luò)功能的一種經(jīng)驗(yàn)?zāi)Ｐ汀?/p>
4、生物神經(jīng)元受到傳入的刺激，其作出的反應(yīng)又從輸出端傳到相連的其它神經(jīng)元，輸入和輸出之間的變換關(guān)系一般是非線性的。神經(jīng)網(wǎng)絡(luò)是由若干簡單元件及其層次組織，以大規(guī)模并行連接方式構(gòu)造而成的網(wǎng)絡(luò)，按照生物神經(jīng)網(wǎng)絡(luò)類似的方式處理輸入的信息。模仿生物神經(jīng)網(wǎng)絡(luò)而建立的人工神經(jīng)網(wǎng)絡(luò)，對輸入信號有功能強(qiáng)大的反應(yīng)和處理能力。BP神經(jīng)網(wǎng)絡(luò)是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)可以根據(jù)誤差的反向傳播來糾正權(quán)值和閾值，在許多領(lǐng)域取得了成功，但是它有可能陷入局部極小，不能保證收斂到全局極小點(diǎn)。另外，反向傳播訓(xùn)練次數(shù)多，收斂速度慢，使學(xué)習(xí)結(jié)果有時(shí)不能令人滿意。粒子群優(yōu)化算法（ParticleSwarmOpti
5、mizer,PSO）是一種進(jìn)化計(jì)算技術(shù)，源于對鳥群捕食的行為研究，由JimKennedy于1995年提出并成功用于函數(shù)優(yōu)化。在PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥，稱之為粒子。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值（FitnessValue），每個粒子還有一個速度決定它們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。如果用粒子群算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練，會得到較快的收斂速度，而且可以避免局部最值的出現(xiàn)。1PSO算法PSO算法[1-3]首先初始化一群隨機(jī)粒子，然后通過迭代找出最優(yōu)解。每一次迭代過程中，粒子通過跟蹤兩個“極值”來更新自己。
6、一個是粒子本身所能找到的最優(yōu)解，即個體極值Pbest，另一個是整個群體目前找到的最優(yōu)解，即全局極值Gbest。假設(shè)在一個D維搜索空間中有n個粒子組成一粒子群。其中第i個粒子的空間位置為Xi=(Xi1,Xi2,…,XiD),i=1,2,…,n。第i個粒子所經(jīng)歷的歷史最佳位置為Pi=(Pi1,Pi2,…,PiD)，每個粒子的飛行速度為Vi=(Vi1,Vi2,…,ViD)，i=1,2,…,n。在整個粒子群中，所有Pi所記錄的最佳解位置為Pg=(Pg1,Pg2,…,PgD)。每一代粒子的第d維（1≥d≥D）根據(jù)如下方程變化：Vij(t+1)=ω(t)Vij(t)+c1*rand()
7、*(Pij(t)-Xij(t))+c2*rand()*(Pgj(t)-Xij(t))（1）Xij(t+1)=Xij(t)+Vij(t+1)（2）ω(t)=ωmax-t(ωmax-ωmin)/tmax（3）其中，j=1,2,…,d；參數(shù)c1和c2分別是學(xué)習(xí)率，稱為加速因子；rand()為[0，1]范圍內(nèi)變化的隨機(jī)數(shù)；t為迭代次數(shù)，tmax為最大迭代次數(shù)；ωmin為最小慣性權(quán)，ωmax為最大慣性權(quán)。2BP神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)[4]是誤差反向傳播(BackPropagation)網(wǎng)絡(luò)。最初由Werbos開發(fā)的反向傳播訓(xùn)練算法
