PSO算法优化BP网络的新方法及仿真实验

被引：53

作者：

李祚泳

汪嘉杨

郭淳

机构：

[1] 成都信息工程学院

来源：

电子学报 | 2008年 / 11期

关键词：

BP网络; 粒子群算法; 优化; 权值调整; 仿真;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

提出一种基于粒子群算法优化BP网络的权值调整新方法.该算法在基本BP算法的误差反传调整权值的基础上,再引入粒子群算法的权值修正,从而建立了基于粒子群算法优化的BP网络新模型.此模型不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度较高,较好地提高了BP网络学习能力与泛化能力.将新模型应用于4个典型复杂函数的仿真实验,并与基本BP模型、基于遗传算法优化的BP网络模型(GA-BP)和传统的粒子群优化前向BP网络模型(PSO-BP前传)的仿真实验结果进行分析比较.仿真实例表明新PSO-BP优化模型性能尤其是泛化性能优于其它3种BP网络优化模型.

引用

页码：2224 / 2228

页数：5

共 11 条

[1] 一种新的基于粒群优化的BP网络学习算法
宋乃华
邢清华
[J]. 计算机工程, 2006, (14) : 181 - 183
[2] 基于粒子群优化算法的BP网络学习研究
潘昊
侯清兰
[J]. 计算机工程与应用, 2006, (16) : 41 - 43+66
[3] 混沌粒子群优化算法研究
高尚
杨静宇
[J]. 模式识别与人工智能, 2006, 19 (02) : 266 - 270
[4] 基于遗传算法的BP神经网络技术的应用
潘昊
王晓勇
陈琼
黄少銮
[J]. 计算机应用, 2005, (12) : 61 - 63
[5] 神经网络模型的预测精度影响因素分析及其优化
陈果
[J]. 模式识别与人工智能, 2005, 18 (05) : 528 - 534
[6] 基于粒子群优化的神经网络训练算法研究
高海兵
高亮
周驰
喻道远
[J]. 电子学报, 2004, (09) : 1572 - 1574
[7] 微粒群算法参数效能的统计分析
彭宇
彭喜元
刘兆庆
[J]. 电子学报, 2004, (02) : 209 - 213
[8] BP网络学习能力与泛化能力满足的不确定关系式
李祚泳
彭荔红
[J]. 中国科学E辑:技术科学, 2003, (10) : 887 - 895
[9] BP网络学习能力与泛化能力之间的定量关系式
李祚泳
易勇鸷
[J]. 电子学报, 2003, (09) : 1341 - 1344
[10] A self-adaptive chaotic particle swarm algorithm for short term hydroelectric system scheduling in deregulated environment
Jiang, CW
Bompard, E
[J]. ENERGY CONVERSION AND MANAGEMENT, 2005, 46 (17) : 2689 - 2696

← 1 2 →