【技术实现步骤摘要】
基于改进细菌觅食算法优化BP神经网络的方法
本专利技术涉及数据挖掘领域，具体涉及基于改进细菌觅食算法优化BP神经网络的方法。
技术介绍
近年来，群智能优化算法应用广泛，大多都是基于高等生物作为启发对象，而Passino在2002年提出了细菌觅食算法(BacterialForagingOptimization，BFO),从微生物的行为机制出发，模拟细菌对环境感知的变化，通过细菌群体的竞争与协作来实现优化。为研究仿生计算提供了新的思路。BFO算法作为连续域的优化算法，具有可并行搜索、易于跳出局部极小值的优点，被广泛应用于图像分析处理、控制器优化设计和神经网络训练等多方面。为了提高BFO算法的性能，相关学者从趋化步长的角度出发，赋予细菌自适应调节趋化步长的能力。Datta等人根据自适应增量调制原理提出了具有自适应趋化步长的BFO算法；Majhi等人设计了自动趋化步长调节的数学模型，并将其应用于神经网络的训练；Chen等人根据生物自适应搜索策略，提出了自适应的协同型菌群觅食优化算法；这些算法在不增加复杂性的前提下，提高了细菌...
【技术保护点】
1.基于改进细菌觅食算法优化BP神经网络的方法，其特征在于，包括：/n确定神经网络结构，对其相关参数进行设定；/n初始化细菌的位置，根据训练样本集和测试样本集设定神经网络的目标输入和目标输出；/n将细菌分量转化为神经网络的权值和阈值，初始化神经网络并输入训练样本集数据，获取适应度值；/n对细菌进行翻转操作，获取翻转一次后的适应度值，若适应度值变好，细菌则按照翻转方向移动相应的步长，直到适应值不再改善或达到游动次数Ns为止，一次趋化操作完成，重复该步骤，直至达到趋化次数Nc后，趋化操作结束；/n获取细菌能量，淘汰细菌能量较差的一半，繁殖较好的另一半，子细菌具有和母细菌相同的位...
【技术特征摘要】
1.基于改进细菌觅食算法优化BP神经网络的方法，其特征在于，包括：
确定神经网络结构，对其相关参数进行设定；
初始化细菌的位置，根据训练样本集和测试样本集设定神经网络的目标输入和目标输出；
将细菌分量转化为神经网络的权值和阈值，初始化神经网络并输入训练样本集数据，获取适应度值；
对细菌进行翻转操作，获取翻转一次后的适应度值，若适应度值变好，细菌则按照翻转方向移动相应的步长，直到适应值不再改善或达到游动次数Ns为止，一次趋化操作完成，重复该步骤，直至达到趋化次数Nc后，趋化操作结束；
获取细菌能量，淘汰细菌能量较差的一半，繁殖较好的另一半，子细菌具有和母细菌相同的位置和步长，一次繁殖操作完成；再返回进行趋化操作，达到Nre后，繁殖操作结束；
获取当前细菌的信息素浓度，计算转移概率Pi，更新细菌位置，得到更新后的适应度值，再返回进行趋化操作，达到迁移次数Ned后，迁移操作结束；
得出群体最优解，将所述最优解转化为神经网络的权值和阈值。
2.根据权利要求1所述基于改进细菌觅食算法优化BP神经网络的方法，其特征在于，确定神经网络结构，对其相关参数进行设定，具体包括：根据神经网络结构，设定输入层、隐含层和输出层神经元个数，确定传递函数、输出函数、训练精度；对细菌规模数S，迁移次数Ned、繁殖次数Nre、趋化次数Nc，游动次数Ns，迁移概率Ped参数进行设定。
3.根据权利要求1所述基于改进细菌觅食算法优化BP神经网络的方法，其特征在于，初始化细菌的位置的方式为，
X＝Xmin+rand*(Xmax-Xmin)
其中，Xmax、Xmin是在目标函数中X取值范围的上限和下限；rand是均匀分布在0-1之间的随机数。
4.根据权利要求1所述基于改进细菌觅食算法优化BP神经网络的方法，其特征在于，获取适应度值的方式为，
其中：dk是神经网络的实际输出，tk是目标输出，m是输出节点数，n是训练集样本数，a、b均为计数变量。
5.根据权利要求1所述基于改进细菌觅食算法优化BP神经网络的方法，其特征在于，对细菌进行翻转操作的方式为，
其中，P(i,j,k,l)表示第i个细菌的空间位置向量，j表示第j代趋化循环，k表示第k代繁殖...
【专利技术属性】
技术研发人员：邱少明，王雪珂，杜秀丽，吕亚娜，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁;21
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。