粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。     

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.     

计算机神经网络中粒子群优化算法的应用

粒子群优化算法是一种基于群智能的随机优化算法,该种算法和遗传算法相比,具有需要用户确定的参数较少,优化算法简单的优点。因此,粒子群优化算法一经提出,就受到了众多领域的广泛关注,目前,该种算法广泛的应用在模糊系统、模式分类、神经网络训练、函数优化以及其他的众多领域中。文章分析了粒子群优化算法的基本原理,探析了粒子群优化算法在计算机神经网络中的应用,并且对粒子群优化算法进行了改进。     

基于神经网络的粒子群算法优化SVM参数问题

对支持向量机的核参数选取到目前仍没有形成一套成熟的理论,严重影响了其广泛的应用。对核参数的选取做了一定的探讨。将神经网络与粒子群优化算法相结合并用于支持向量机核函数的参数优化。该方法能够同时具有神经网络较强的非线性拟合能力和粒子群优化算法的寻优能力。数值实验结果表明该算法对支持向量机核参数的优化是可行的、有效的,并且具有较高的分类准确率和较好的推广性能。     

粒子群优化算法专利技术浅析

粒子群优化算法又称微粒群算法,是-种智能优化算法,主要用于优化函数、训练神经网络,以及其他进化算法的应用领域。本文简介了粒子群优化算法的发展历史及现状、主要分类,并以国内外专利申请数据为分析样本,从专利逐年变化的申请量和申请人分布等角度进行了分析和研究。     

基于改进粒子群优化算法的神经网络设计

借鉴分层递阶结构原理和蚁群算法的思想,提出了一种基于信息素的粒子群算法并用来优化前向神经网络的结构和权值。通过在控制基因中释放信息素进行粒子控制基因的更新,实现了粒子间信息的共享。粒子群的惯性权重采用指数曲线衰减的形式,给每代最差粒子的速度随机加入干扰,克服了标准粒子群算法在寻优时出现的粒子早熟现象。仿真结果表明该算法能快速确定神经网络的结构和权值,表现出良好的收敛性能。     

粒子群优化算法研究

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的,用于解决优化问题的一类新兴的随机优化算法。本文首先介绍PSO算法的基本原理和工作机制;然后介绍粒子群优化算法的优化策略,包括提高收敛速度﹑算法离散化﹑提高总群多样性;最后对其将来的发展进行了展望。     

基于粒子群算法优化Spiking神经网络

Spiking神经网络采用神经元的发放时间点进行信息编码,更接近于生物神经元.学习算法的选取对发挥Spiking神经网络的性能有很大的影响.基于BP算法的SpikeProp采用多突触连接的网络结构,利用梯度信息进行网络参数的调整,易于陷入局部最优解;且连接权值的选取只能为正值,否则将不收敛.采用粒子群算法(Particle Swarm Optimization,PSO)进行Spiking网络连接参数的调整,全局收敛性好,减少了对连接权值的约束,简化了网络结构.实验表明,该方法是一种有效的Spiking网络学习方法.     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题.通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法.在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值.算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法.茶味觉信号识别的仿真实验验证了该算法的有效性.     

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题.为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法.仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明...     

基于改进粒子群优化算法的新型小波神经网研究

本文提出了改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）的新型BP 小波 神经网络,并且对非线性辨识问题进行了仿真实验．实验结果表明,基于改进的粒子群优化算法的BP 小波网 络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力,而且具有粒子群优化算法全局快速寻 优的特点．与简单的粒子群优化算法相比,该方法在收敛性和稳定性方面都有了较明显的提高,验证了它的 合理性和有效性．     

一种基于量子粒子群的过程神经元网络学习算法

针对过程神经元网络模型学习参数较多,正交基展开后的BP算法计算复杂、不易收敛等问题,提出了一种基于双链结构的量子粒子群学习算法.该算法用量子比特构成染色体,对于给定过程神经元网络模型,按权值参数的个数确定量子染色体的基因数并完成种群编码,通过量子旋转门和量子非门完成个体的更新与变异.算法中每条染色体携带两条基因链,提高了获得最优解的概率,扩展了对解空间的遍历,从而加速过程神经元网络的优化进程.将经过量子粒子群算法训练的过程神经元网络应用于Mackey-Glass混沌时间序列和太阳黑子预测,仿真结果表明该学习算法不仅收敛速度快,而且寻优能力强.     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

RBF神经网络的混合微粒群学习算法

在分析RBF神经网络的结构特点基础上, 定义一个布尔向量L作为网络的结构参数, 与原来RBF神经网络的隐节点参数集一起构成了新的RBF网络隐节点参数集{c,σ, L}, 并给出了一个新的RBF网络输入输出关系表达式;采用一种混合协同微粒群算法同时对RBF网络拓扑结构和隐层节点参数进行优化设计,并将输出线性参数集分离后采用最小二乘法进行优化设计,简化了优化空间,加速了算法的收敛速度.