排序方式: 共有72条查询结果,搜索用时 15 毫秒
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.
应用图形处理器(GPU)来加速粒子群优化(PSO)算法并行计算时,为突出其加速性能,经常有文献以恶化CPU端PSO算法性能为代价。为了科学比较GPU-PSO算法和CPU-PSO算法的性能,提出用"有效加速比"作为算法的性能指标。文中给出的评价方法不需要CPU和GPU端粒子数相同,将GPU并行算法与最优CPU串行算法的性能作比较,以加速收敛到目标精度为准则,在统一计算设备架构(CUDA)下对多个基准测试函数进行了数值仿真实验。结果表明,在GPU上大幅增加粒子数能够加速PSO算法收敛到目标精度,与CPU-PSO相比,获得了10倍以上的"有效加速比"。 相似文献
3.
将遗传算法与参数跟踪策略有效结合,跟踪过程中进行搜索域压缩与位移操作,形成了一种功能强大的新算法,可成功应用于电磁领域中各种各样复超越方程的高精度求解问题.在算法实现过程中,使用参数跟踪策略有效地缩小了搜索区域,保证了解的单一性,提高了运算速度;使用动态搜索域提高了解的精度;应用三阶差商公式预估新的搜索中心,使运算速度得以进一步提高.应用本文发展的算法详细求解了终端短路法测量材料的复介电常数时得到的复超越方程和部分填充矩形波导的特征方程,计算结果表明该算法能够轻松地解决复超越方程中的多值问题,解集完备性好,算法鲁棒性强. 相似文献
4.
5.
6.
7.
8.
9.
10.