没有合适的资源?快使用搜索试试~ 我知道了~
首页混沌遗传与粒子群混合优化训练过程神经网络算法
"一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法"是针对时变输入/输出过程神经网络训练问题的研究成果。在这个研究中,作者许少华和何新贵提出了一种创新的学习方法,将混沌遗传算法(CGA)与带有动态惯性因子的粒子群优化算法(PSO)相结合,以提升过程神经网络(PNN)的训练效率。 混沌遗传算法是一种受到混沌理论启发的优化算法,其核心是利用混沌系统的遍历性和无规则性进行全局搜索。这种算法能够避免早熟收敛,有助于在解决方案空间中寻找更优解。而粒子群优化算法则是基于群体智能的优化方法,通过模拟鸟群或鱼群的行为,利用个体的经验记忆和信息共享来探索解空间。 在该研究中,这两种算法被集成到一个混合优化机制中。他们以PNN的训练目标函数为基础,设计了一个动态适应度评估和优化效率分析的机制,以自适应地调整混沌遗传算法和粒子群算法之间的切换。通过这种方式,算法能够在搜索过程中灵活地在局部搜索(粒子群)和全局搜索(混沌遗传)之间转换,从而更有效地找到最优网络参数。 实验结果显示,这种混合优化策略显著提升了PNN的训练效率。这表明,混沌遗传与粒子群的结合能够有效地解决过程神经网络训练中的复杂优化问题,特别是在处理时变输入/输出数据时,能够提高模型的泛化能力和预测准确性。 这项工作在神经网络优化领域提出了一个新的思路,即通过结合不同优化算法的优势,来克服单一算法可能存在的局限性,以实现更高效的训练过程。这种方法对于处理非线性、复杂问题的过程神经网络模型尤其具有实际应用价值,例如在工业控制、数据分析、模式识别等领域。同时,动态惯性因子的引入也是对经典粒子群优化算法的一种改进,增强了算法在多峰搜索空间中的寻优能力。
资源详情
资源推荐
第 28 卷 第 9 期
Vol. 28 No. 9
控 制 与 决 策
Control and Decision
2013 年 9 月
Sep. 2013
一种基于混沌遗传与粒子群混合优化的
过程神经网络训练算法
文章编号: 1001-0920 (2013) 09-1393-06
许少华
1, 2
, 何新贵
2
(1. 东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318;2. 北京大学 信息科学技术学院,北京 100871)
摘 要: 针对时变输入/输出过程神经网络的训练问题, 提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相
结合的学习方法. 综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质, 基于 PNN
训练目标函数, 构建两种算法相混合的进化寻优机制, 通过适应度评估和优化效率分析自适应调节混沌遗传与粒子
群算法的切换, 实现网络参数在可行解空间的全局优化求解. 实验结果表明, 该算法较大提高了 PNN 的训练效率.
关键词: 过程神经网络;训练算法;混沌遗传算法;粒子群算法;混合优化策略
中图分类号: TP183 文献标志码: A
A training algorithm of process neural networks based on CGA combined
with PSO
XU Shao-hua
1,2
, HE Xin-gui
2
(1. School of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China;2. School
of Electronics Engineering and Computer Science,Peking University,Beijing 100871,China.Correspondent:XU
Shao-hua,E-mail:xush62@163.com)
Abstract: Aiming at the training problem of time-varying input-output process neural networks(PNN), a learning algorithm
based on chaos genetic algorithm(CGA) combined with particle swarm optimization(PSO) whose inertial factor is dynamic
is proposed in the paper. With the application of the experience memory and sharing information of PSO algorithm, and
chaos track traverse searching of CGA, the hybrid evolutionary optimization mechanism of CGA and PSO algorithm is built
based on the PNN’s training objective function. The adaptive switching of two algorithms is implemented through estimating
the fitness and optimization efficiency, and the global optimal solution is obtained in feasible solution space. Experimental
results show that the algorithm considerably improves the training efficiency of PNN.
Key words: process neural networks;training algorithm;chaos genetic algorithm;particle swarm optimization;hybrid
optimization strategy
0 引引引 言言言
训练算法是影响人工神经网络系统建模和模型
泛化能力的重要因素之一. 对于神经网络的训练问
题, 已有许多成熟的学习方法, 其中应用最为广泛和
有效的是基于梯度下降的误差反传播学习算法及其
各种改进形式, 以及近几年提出的与进化优化策略
相结合的训练方法
[1-5]
. 过程神经网络 (PNN) 是一种
新型的动态神经网络模型
[6-7]
, 具有对多元动态信息
的时空维聚合运算机制和直接对非线性系统输入/输
出关系的建模能力, 对于解决与时间过程有关的众
多问题在机制上有着良好的适应性. 由于 PNN 的输
入/输出信号和连接权等都可以是时间函数, 过程神
经元的时间效应累积算子是一种连续时间的泛函映
像, 使得 PNN 的映射机制和学习过程与传统神经网
络有着很大的不同. 目前, PNN 训练的主要算法是基
于函数基展开结合最小均方算法 (LMS)
[8]
和基于数
值积分
[9]
的训练方法, 但由于网络训练目标函数中所
包含的待确定参数众多且参数之间的约束具有较大
自由度, 影响了算法的学习效率和稳定性. 近几年,
基于进化计算的优化技术被广泛应用于求解各种工
程领域问题中的最优解, 在复杂函数计算、过程工艺
收稿日期: 2012-04-11;修回日期: 2012-07-30.
基金项目: 国家自然科学基金项目(61170132);中国石油科技创新基金项目(2010D-5006-0302).
作者简介: 许少华(1962−), 男, 教授, 博士生导师, 从事神经网络、优化算法等研究;何新贵(1938−), 男, 教授, 博士生
导师, 中国工程院院士, 从事模糊逻辑、神经网络、进化计算、数据库理论等研究.
下载后可阅读完整内容,剩余5页未读,立即下载
weixin_38693084
- 粉丝: 4
- 资源: 927
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- OptiX传输试题与SDH基础知识
- C++Builder函数详解与应用
- Linux shell (bash) 文件与字符串比较运算符详解
- Adam Gawne-Cain解读英文版WKT格式与常见投影标准
- dos命令详解:基础操作与网络测试必备
- Windows 蓝屏代码解析与处理指南
- PSoC CY8C24533在电动自行车控制器设计中的应用
- PHP整合FCKeditor网页编辑器教程
- Java Swing计算器源码示例:初学者入门教程
- Eclipse平台上的可视化开发:使用VEP与SWT
- 软件工程CASE工具实践指南
- AIX LVM详解:网络存储架构与管理
- 递归算法解析:文件系统、XML与树图
- 使用Struts2与MySQL构建Web登录验证教程
- PHP5 CLI模式:用PHP编写Shell脚本教程
- MyBatis与Spring完美整合:1.0.0-RC3详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功