排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
粒子群算法优化神经网络结构的研究 总被引：1，自引：0，他引：1
针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法（DePSO）和二进制粒子群优化算法（BiPSO）,同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。 相似文献
2.
基于混沌PSO-BP混合算法的神经网络 总被引：2，自引：1，他引：1
研究神经网络的优化问题,将粒子群优化(PSO)算法同误差反向传播(BP)算法采用两种算法相结合,形成两种混合算法,可用于训练神经网络的优化.提出两种方法,第一种混合算法是在PSO算法优化神经网络权值的同时注入BP算法,第二种混合算法是在PSO算法训练神经网络之后继之以BP算法.同时根据混沌映射的随机性和遍历性,将其引入到混合算法中,进一步提高算法的寻优能力.将这两种混合算法同基于PSO算法和基于BP算法的神经网络训练方法相比较,通过数值仿真实验表明,混合算法的性能优于所比较的两种算法的性能,且第一种混合算法要好于第二种混合算法. 相似文献
3.
混合粒子群算法优化神经网络的研究 总被引：1，自引：1，他引：0
针对BP神经网络初始权阈值的确定所具有的随机性和各个隐含层神经元数的不确定性,通过利用混合粒子群优化算法来同时优化神经网络的初始权阈值和结构.首先通过混合粒子群优化算法来确定一个较好的搜索空间,然后在这个解空间里再通过BP算法对网络进行训练和学习,搜索出最优的网络结构和权阈值.通过Iris模式分类、Wine模式分类问题和广义异或问题来对该模型进行训练和测试,相比遗传算法等其他算法,该模型可以获得更高的正确识别率,结果表明此方法是可行的. 相似文献
1