神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

改进粒子群优化BP神经网络粮食产量预测模型

综合考虑影响粮食产量的多种因素,运用改进的粒子群算法优化BP神经网络的初始权重,建立了适合小样本粮食产量的预测模型.实验表明,与BP神经网络粮食预测模型和PSO-BP神经网络粮食预测模型相比,该模型具有更高的预测精度和较大的适应度.     

基于粒子群优化的BP神经网络图像复原方法

针对BP神经网络易陷入局部最小、收敛速度慢的问题,研究了基于粒子群优化的学习算法,给出了具体的算法方案设计,并将其应用于图像复原。首先用高斯噪声对无噪图像进行模糊处理;然后将结果和原图像组成训练对,用于训练优化后的神经网络;最后利用训练好的神经网络对测试图像进行复原,从而达到去除噪声的目的。仿真结果表明,与BP神经网络相比,PSO-BP算法收敛速度快,迭代次数少,复原的图像在归一化均方误差（NMSE）和峰值信噪比（PSNR）的效果更好。     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

基于粒子群优化BP神经网络的养肠胃菜谱判定

提出了一种基于粒子群优化BP神经网络的养肠胃菜谱判定的方法。粒子群算法通过自身良好的搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络中收敛性慢、存在多个局部极值点的缺陷。并分别通过误差曲线图、线性回归图等,对BP神经网络模型与PSO-BP神经网络模型进行比较分析。实验结果表明,PSO-BP模型判定较准确,在调养肠胃的饮食食谱选择中起到了指导作用。     

基于粒子群优化算法与BP神经网络的高铁客运量预测算法

本次通过基于粒子群优化算法与BP神经网络相结合的方式对高铁客运量进而预测,利用粒子群优化算法对BP神经网络进行优化与训练,通过经过改进的BP神经网络对高铁客运量进行预测.经实验研究发现,本次研究所提出的预测算法比常规BP神经网络模型预测精度更高,在样本数据量较少的情况下有明显的应用优势.     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

基于粒子群算法的BP神经网络优化技术

针对传统BP神经网络存在学习效率低、收敛速度慢和容易陷入局部极小值的问题,提出一种基于改进的PSO来优化BP神经网络的方法。通过在PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,将优化的BP神经网络用于遗传高血压患病年龄的预测中。实验结果表明,该方法较好地解决了传统BP神经网络易陷入局部极小值的问题,提高了算法的收敛速度和稳定性。     

基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

基于面向对象自适应粒子群算法的神经网络训练*

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明：基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,具有快速全局收敛的性能。     

基于粒子群优化的深度神经网络分类算法

针对神经网络分类算法中节点函数不可导,分类精度不够高等问题,提出了一种基于粒子群优化(PSO)算法的深度神经网络分类算法.使用深度学习中的自动编码机,结合PSO算法优化权值,利用自动编码机对输入样本数据进行编解码,为提高网络分类精度,以编码机本身的误差函数和Softmax分类器的代价函数加权求和共同作为PSO算法的评价函数,使编码后的数据更加适应分类器.实验结果证明:与其他传统的神经网络相比,在邮件分类问题上,此分类算法有更高的分类精度.     

基于反传混沌粒子群训练的前馈神经网络研究

为了解决前馈神经网络训练收敛速度慢、易陷入局部极值及对初始权值依赖性强等缺点, 提出了一种基于反传的无限折叠迭代混沌粒子群优化(ICMICPSO)算法训练前馈神经网络(FNNs)参数。该方法在充分利用BP算法的误差反传信息和梯度信息的基础上, 引入了ICMIC混沌粒子群的概念, 将ICMIC粒子群(ICMICPS)作为全局搜索器, 梯度下降信息作为局部搜索器来调整网络的权值和阈值, 使得粒子能够在全局寻优的基础上对整个空间进行搜索。通过仿真实验与多种算法进行对比, 结果表明在训练和泛化能力上ICMICPSO-BPNN方法明显优于其他算法。     

改进的简化粒子群算法优化模糊神经网络建模

为了更准确地描述有记忆效应的射频功放特性,提出了一种改进的简化粒子群优化(PSO)算法,并结合自适应模糊推理系统(ANFIS)建立模糊神经网络功放模型.改进的简化PSO算法仅保留粒子的位置项,加入了随机的个体最优候选解,由粒子的当前位置、个体最优解、全局最优解和随机的个体最优候选解共同决定其位置项;采用线性递减惯性权重,并利用异步变化的动态学习因子,且新颖地引入拉普拉斯系数,从而增加了种群多样性,加快了收敛速度,避免陷入局部最优.由模型仿真对比可知,该方法建立的功放模型结构简单、收敛快、误差小、精度高,从而验证了建模方法的有效性和可靠性.     

微粒群神经网络在绩效评价系统中的应用

绩效评价系统是人力资源系统3P模型中的重要一环,是定期考察和评价个人或小组工作业绩的一种正式制度。利用微粒群算法对神经网络进行训练,再将此网络模型应用到人力资源管理系统中的绩效评价系统。最后通过在各级评价标准内按随机均匀分布方式生成的训练样本和测试样本来检测该微粒群神经网络。结果表明微粒群神经网络具有较强的泛化能力,应用在绩效评价系统中具有很高的评价准确率。     

基于高斯微粒群优化的动态神经网络延迟系统辨识

为提高神经网络对未知非线性大滞后动态系统的泛化能力,提出一种基于高斯微粒群优化的自适应动态前馈神经网络.在输入层与隐含层之间、隐含层与输出层之间分别加入动态延迟算子,可以高效地辨识出系统纯滞后时间,建立精确系统模型.此外,采用高斯函数和混沌映射方法平衡微粒群算法全局寻优能力,以克服提前收敛的缺陷,从而快速有效地自适应优化网络中的参数.仿真实验表明了该方法在非线性人滞后系统辨识中的有效性.     

Synthesis of interdigital capacitors based on particle swarm optimization and artificial neural networks

This article reports on the use of the particle swarm optimization (PSO) algorithm in the synthesis of the planar interdigital capacitor (IDC). The PSO algorithm is used to optimize the geometry parameters of the IDC in order to obtain a certain capacitance value. The capacitance value of the IDC is evaluated using an artificial neural network (ANN) model with the geometry parameters of the IDC as its inputs. Several design examples are presented that illustrate the use of the PSO algorithm, and the design goal in each example is easily achieved. Full‐wave electromagnetic simulations are also performed for some of the studied IDC structures implemented using coplanar waveguide (CPW) technology. The simulation results are in good agreement with those obtained using the ANN/PSO algorithm. © 2006 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2006.     

改进量子粒子群算法的模糊神经网络水质评价

传统的粒子群算法训练神经网络的水质评价模型有学习速度慢,容易陷入局部最优和精确性不高的缺点。为了克服模型的缺点,提出了利用改进的自适应量子粒子群算法训练T-S模糊神经网络的新模型,新的自适应量子粒子群算法通过在算法中引入聚集度的概念,使得算法可以在迭代中自适应地调整收缩扩张系数,让算法更具动态自适应性。新的模型结合了量子粒子群算法和T-S模糊神经网络的优点,提高了模型的泛化能力。通过对东江湖流域站点2002到2013年的水文数据进行实验,结果显示,该模型比其他神经网络模型的评价结果具有更高的效率,适合被用于日常水质评价工作。     

改进并行粒子群算法优化RBF神经网络建模

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法（Improved Parallel Particle Swarm Optimization,IPPSO）。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。     

综合改进的粒子群神经网络算法

粒子群优化算法是一种解决非线性、不可微和多峰值复杂优化问题的优秀算法,但该算法在进化后期容易出现速度变慢以及早熟的现象;BP神经网络的学习算法是基于梯度下降这一本质的,因此存在着容易陷于局部极小值,收敛速度慢,训练时间长等问题.针对上述现象,对粒子群优化算法进行了增强粒子多样性和避免种群陷入早熟两个方面的改进,并提出了一种基于改进算法的粒子群神经网络算法,最后通过在IRIS数据集上进行的仿真实验验证了改进的有效性.