【技术实现步骤摘要】
一种基于PSO的权值直接确定神经网络结构优化方法
本专利技术涉及神经网络优化
,具体涉及一种基于PSO的权值直接确定神经网络结构优化方法。
技术介绍
人工神经网络(ArtificialNeuralNetworks,ANN),是模拟生物神经系统的组织结构、处理方式和系统功能的抽象和模拟;神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。人工神经网络的应用场景主要涉及自动化、电子工程、计算机科学、数学、统计学、神经生物学等众多相关学科;由于其并行计算、分布式存储、高度容错、非线性自适应处理能力等显著特点,在模式识别、智能控制、组合优化、系统辨识与预测以及智能信息处理等领域都得到广泛的成功应用。由于众多工程实际问题都可以转化为人工神经网络对特定函数逼近问题,自20世纪80年代中期以来,人工神经网络被研究人员广泛而深入地研究,神经网络的理论研究和实际应用在许多领域取得了显著的进展,在国内外都进入了一个蓬勃发展的好时期。目前最为主流的神经网络训练算法是基于误差反向传播(Back-propagationalgorithm,BP)的算法,这种算法通过迭代可以使得神经网络中的参数向着误差减少的梯度方向变化。然而,这类基于梯度下降的算法具有一些不可避免的内在弱点,比如:易于陷入局部最优、迭代时间冗长及收敛速度慢、无法确定最佳神经元数目等。为了彻底克服BP算法这些弱点并提高网络的性能(收敛速度,网络逼近能力),近年来提出了幂激励权值直接确定神经网络。不同于传统的BP算法,幂激励权值直接确定神经网络通过选取线性独立的幂级数作为隐含层神经元的激励函数,最终的网络 ...
【技术保护点】
1.一种基于PSO的权值直接确定神经网络结构优化方法,其特征在于,所述的优化方法包括如下步骤:S1、构建一个幂激励神经网络,所述的幂激励神经网络包括级联的输入层、隐层、输出层,其中,输入层和输出层均采用线性恒等函数作为激励函数,输入层神经元个数为2,输出层神经元个数为1;隐神经元总数为n,第d+1隐层神经元激励函数为二元幂级数pd,d=0,1,…,n‑1;输入层与隐层神经元连接权值均为1,所有神经元阈值均设为0;S2、根据权值直接确定方法算出隐层神经元到输出层的连接权值;S3、设定一个阈值,将连接权值小于该阈值的神经元删除;S4、经删除后,把待优化的剩余隐层神经元的使用情况按顺序编码成0/1数码串表示为粒子群算法中粒子个体;S5、设定粒子群算法的种群规模、最大进化代数以及搜索范围和速度范围;S6、粒子群算法初始化:生成一定规模的粒子群,粒子的位置随机均匀分布,并赋值给每个粒子一个随机速度;S7、根据适应值,初始化全局历史最优位置以及每个粒子历史最优位置;S8、基于前一次迭代的结果,更新惯性系数,更新粒子的速度、位置,即所有候选解更新;S9、计算步骤S8中所有当前候选解的适应值;S10、 ...
【技术特征摘要】
1.一种基于PSO的权值直接确定神经网络结构优化方法,其特征在于,所述的优化方法包括如下步骤:S1、构建一个幂激励神经网络,所述的幂激励神经网络包括级联的输入层、隐层、输出层,其中,输入层和输出层均采用线性恒等函数作为激励函数,输入层神经元个数为2,输出层神经元个数为1;隐神经元总数为n,第d+1隐层神经元激励函数为二元幂级数pd,d=0,1,…,n-1;输入层与隐层神经元连接权值均为1,所有神经元阈值均设为0;S2、根据权值直接确定方法算出隐层神经元到输出层的连接权值;S3、设定一个阈值,将连接权值小于该阈值的神经元删除;S4、经删除后,把待优化的剩余隐层神经元的使用情况按顺序编码成0/1数码串表示为粒子群算法中粒子个体;S5、设定粒子群算法的种群规模、最大进化代数以及搜索范围和速度范围;S6、粒子群算法初始化:生成一定规模的粒子群,粒子的位置随机均匀分布,并赋值给每个粒子一个随机速度;S7、根据适应值,初始化全局历史最优位置以及每个粒子历史最优位置;S8、基于前一次迭代的结果,更新惯性系数,更新粒子的速度、位置,即所有候选解更新;S9、计算步骤S8中所有当前候选解的适应值;S10、将步骤S9中得到的适应值,与前一次迭代中确定的全局历史最优适应值以及粒子历史最优适应值进行比较,根据对比结果更新最优适应值以及对应的全局历史最优位置、粒子的历史最优位置;S11、判断当前迭代次数是否到达最大迭代次数,若不是,返回步骤S8;若是,迭代结束,分别输出全局历史最优适应值以及对应的最优位置作为最优逼近误差以及最优网络结构。2.根据权利要求1所述的一种基于PSO的权值直接确定神经网络结构优化方法,其特征在于,所述的步骤S2过程如下:采用基于最小二乘原理伪逆形式的权值直接确定方法,从而直接计算得到隐层神经元与输出层之间的连接权值,该连接权值的计算公式由如下直接给出:w=(QTQ)-1QTγ其中,上标T表示为矩阵向量的转置,(QTQ)-1QT为输入受激励矩阵Q的伪逆,记为Q+,以上公式表达为w=Q+γ。3.根据权利要求1所述的一种基于PSO的权值直接确定神经网络结构优化方法,其特征在于,所述的步骤S3过程如下:设定一个阈值ε,将在步骤S2中计算得到连接权值数量级小于该阈值ε的神经元进行删减处理,即:第d+1个神经元的连接权值为wd,当log10(wd)<ε时,将该神经元删去,否则保留。4.根据...
【专利技术属性】
技术研发人员:张智军,何杰,陈卓明,
申请(专利权)人:华南理工大学,佛山市顺德致可智能科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。