学位论文 > 优秀研究生学位论文题录展示

粒子群算法及在神经网络分类器中的应用

作　者: 徐雅香
导　师: 方敏；翟建仓
学　校: 西安电子科技大学
专　业: 软件工程
关键词: 粒子群优化算法惯性权重变异算子 BP算法神经网络分类器
分类号: TP301.6
类　型: 硕士论文
年　份: 2008年
下　载: 76次
引　用: 1次
阅　读: 论文下载

内容摘要

粒子群优化算法(Particle Swarm Optimization,PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种基于种群搜索策略的自适应随机算法。它的主要特点是概念简单、参数较少、易于实现。作为一种智能优化算法,在工程实践中表现出巨大潜力,现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。本文针对基本粒子群优化算法存在易于陷入局部最优导致的早熟收敛及收敛速度低等缺点,采用一种带有自适应变异算子的粒子群优化算法(MAPSO)。该算法使用了一种新的自适应惯性权重,使得算法在迭代的早期快速进入局部搜索,同时在迭代的后期快速搜索到全局最优。并且根据群体的适应度方差和平均聚集距离来判断算法在迭代的后期是否陷入局部最优点陷阱,对群体中的部分粒子采用新构造的变异运算,从而摆脱局部搜索的束缚,以提高全局搜索的性能。在研究分析了基本粒子群算法、神经网络及其相关技术的基础上,设计神经网络分类器,用改进后的MAPSO优化算法改善神经网络分类器的性能。实验结果表明改进的算法是可行的。

全文目录

摘要  3-4
Abstract  4-7
第一章绪论  7-11
  1.1 概述  7-8
  1.2 粒子群算法的研究现状分析  8-9
  1.3 本文主要工作  9-11
第二章粒子群算法及其收敛性  11-21
  2.1 基本粒子群算法的工作原理与流程  11-15
    2.1.1 粒子群算法的工作原理  11-13
    2.1.2 粒子群优化算法的设计步骤及工作流程  13-15
  2.2 随机算法的收敛准则  15-18
  2.3 粒子群算法的收敛性  18-21
第三章带有自适应变异算子的粒子群优化算法  21-33
  3.1 自适应粒子群算法概述  21
  3.2 带有自适应变异算子的粒子群优化算法（MAPSO）  21-28
    3.2.1 标准粒子群算法的设计  21-22
    3.2.2 粒子群优化算法早熟行为及其判定  22-24
    3.2.3 粒子群优化算法的参数特性分析  24-26
    3.2.4 改进参数的粒子群优化算法  26-28
  3.3 改进的粒子群优化算法及其数值分析  28-33
    3.3.1 MAPSO 流程  28
    3.3.2 MAPSO 算法性能分析及仿真实验  28-33
第四章基于MAPSO 算法的神经网络分类器的研究  33-47
  4.1 神经网络概述  33-37
    4.1.1 神经网络的特点  33-34
    4.1.2 神经网络的类型及应用  34
    4.1.3 BP 神经网络模型与学习算法  34-37
  4.2 神经网络分类器概述  37-39
    4.2.1 传统的分类器与神经网络分类器的识别过程的对比  37-38
    4.2.2 神经网络分类器的研究现状  38-39
  4.3 基于MAPSO 算法训练神经网络分类器  39-44
    4.3.1 BP 算法的不足  39-40
    4.3.2 神经网络分类器的设计  40-42
    4.3.3 MAPSO 算法训练神经网络分类器流程  42-44
  4.4 实验分析与验证  44-47
第五章总结与展望  47-51
  5.1 本论文总结  47-48
  5.2 对粒子群算法的展望  48-51
致谢  51-53
参考文献  53-57
作者攻读硕士期间参加的科研项目及获奖情况  57-58

粒子群算法及在神经网络分类器中的应用

内容摘要

全文目录

相似论文