基于面向对象自适应粒子群算法的神经网络训练

被引：5

作者：

徐乐华 ^{[1
]}

凌卫新 ^{[1
]}

熊丽琼 ^{[2
]}

机构：

[1] 华南理工大学数学科学学院

[2] 江西师范大学计算机信息工程学院

来源：

计算机应用研究 | 2009年 / 26卷 / 01期

基金：

广东省自然科学基金;

关键词：

神经网络; 粒子群优化算法; 面向对象方法; 拓扑结构优化;

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：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明:基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,具有快速全局收敛的性能。

引用

页码：111 / 113

页数：3

共 10 条

[1] 一种基于差异演化变异的粒子群优化算法 [J].

毛恒 ;

王永初 .

计算机工程与应用, 2007, (30) :56-58+141

[2] 保持粒子活性的改进粒子群优化算法 [J].

陆克中 ;

王汝传 ;

帅小应 .

计算机工程与应用, 2007, (11) :35-38

[3] 带有扰动项的改进粒子群算法 [J].

何庆元 ;

韩传久 .

计算机工程与应用, 2007, (07) :84-86

[4] 基于模式优选思想改进的粒子群优化算法 [J].

李绍军 ;

王惠 ;

钱锋 .

控制与决策 , 2006, (10) :1193-1196

[5] 神经网络基于粒子群优化的学习算法研究 [J].

刘洪波 ;

王秀坤 ;

孟军 .

小型微型计算机系统, 2005, (04) :638-640

[6] 基于粒子群优化的神经网络训练算法研究 [J].

高海兵 ;

高亮 ;

周驰 ;

喻道远 .

电子学报, 2004, (09) :1572-1574

[7] 粒子群优化算法综述 [J].

杨维 ;

李歧强 .

中国工程科学, 2004, (05) :87-94

[8] 基于输出误差与偏导数误差信息融合的神经网络训练 [J].

张德贤 .

计算机工程与应用, 2002, (24) :55-57

[9]

面向对象理论与实践[M]. 西南交通大学出版社 , 文登敏, 2005

[10]

A hybrid particle swarm optimization–back-propagation algorithm for feedforward neural network training[J] . Jing-Ru Zhang,Jun Zhang,Tat-Ming Lok,Michael R. Lyu. Applied Mathematics and Computation . 2006 (2)

← 1 →