学位论文 > 优秀研究生学位论文题录展示

基于PSO算法的神经网络优化研究及应用

作 者: 崔海青
导 师: 刘希玉
学 校: 山东师范大学
专 业: 管理科学与工程
关键词: 微粒群算法 径向基神经网络 自组织映射神经网络 流形学习
分类号: TP183
类 型: 硕士论文
年 份: 2010年
下 载: 131次
引 用: 2次
阅 读: 论文下载
 

内容摘要


人工神经网络是一种具有自学习、自组织、自适应和非线性动态处理等特性的大规模分布式并行处理系统,在很多领域已有了成熟的应用。应用现代科学的新理论和新方法对神经网络进行研究是当前的一个研究热点。微粒群算法是一种基于群体智能理论的随机全局优化算法,其结构简单、易于实现、收敛速度快等优点使它一提出就备受人们关注,应用于很多应用研究及理论研究当中。本文利用微粒群算法对径向基神经网络自组织映射神经网络两种网络模型进行了优化。径向基神经网络是一种三层前馈网络,与其他网络不同,它是一种非线性网络,因此它有很好的泛化能力及函数逼近能力。自组织映射神经网络具有拓扑保持和向量量化的特点,能将任意输入模式在输出层映射成一维或者二维的离散图形,它在模式识别方面有很好的应用。本文首先介绍了微粒群算法,深入研究了微粒群算法的原理、流程、参数设置以及标准微粒群算法更新公式,并最终选定利用标准微粒群算法对神经网络算法进行优化。第三章在深入分析了径向基神经网络的主要学习算法之后,利用微粒群算法对其用于函数逼近的一种算法进行改进,通过微粒群算法与径向基神经网络的算法交替执行以减少隐层神经元的数目,减少资源浪费。最后利用简单的逼近函数检测了新算法的可行性。本文第四章在深入分析了自组织映射神经网络的主要学习算法之后,针对其容易产生“死神经元”现象的问题,引入微粒群算法与之交替更新权值,从而避免“死神经元”的产生。本文最后将改进后的自组织映射神经网络应用到流形学习算法中进行了简单的实验分析。

全文目录


摘要  6-7
Abstract  7-8
第1章 绪论  8-15
  1.1 研究背景及意义  8-9
  1.2 国内外研究现状及发展  9-13
    1.2.1 RBF 神经网络的发展及研究现状  9-11
    1.2.2 SOM 神经网络的发展及研究现状  11-12
    1.2.3 PSO 算法的发展及研究现状  12-13
  1.3 本文内容组织与安排  13-15
    1.3.1 研究内容及创新点  13-14
    1.3.2 组织结构  14-15
第2章 微粒群算法  15-20
  2.1 基本微粒群算法  15-17
    2.1.1 基本原理  15-16
    2.1.2 算法流程  16
    2.1.3 算法特点  16-17
  2.2 标准微粒群算法  17-19
    2.2.1 惯性权重的引入  17-18
    2.2.2 参数设置分析  18-19
  2.3 与其他进化算法的比较  19-20
第3章 基于 PSO 算法的径向基神经网络  20-32
  3.1 RBF 神经网络模型  20-22
    3.1.1 RBF 神经元模型  20-21
    3.1.2 RBF 网络结构  21-22
  3.2 RBF 神经网络的主要学习算法  22-26
    3.2.1 中心的监督学习算法  22-23
    3.2.2 中心的非监督学习算法  23-26
  3.3 基于PSO 算法的 RBF 神经网络  26-31
    3.3.1 P-RBF 算法思想  26-27
    3.3.2 P-RBF 算法流程  27-28
    3.3.3 实验分析  28-31
  3.4 本章小结  31-32
第4章 基于 PSO 算法的自组织映射神经网络  32-39
  4.1 SOM 神经网络模型  32
  4.2 SOM 神经网络的学习算法  32-33
  4.3 几种典型的改进算法  33-36
    4.3.1 模糊Kohonen 聚类网络  33-34
    4.3.2 学习向量量化神经网络  34-35
    4.3.3 树形动态自组织映射模型  35-36
  4.4 基于PSO 算法的 SOM 神经网络  36-38
    4.4.1 P-SOM 算法思想  36
    4.4.2 P-SOM 算法流程  36-37
    4.4.3 网络质量评价  37-38
    4.4.4 实验分析  38
  4.5 本章小结  38-39
第5章 SOM 神经网络在流形学习中的应用  39-46
  5.1 流形学习  39-40
    5.1.1 流形学习背景  39-40
    5.1.2 数学描述  40
  5.2 流形学习研究进展  40-42
    5.2.1 嵌入方法  40-41
    5.2.2 主流形方法  41
    5.2.3 核主成分分析方法  41-42
    5.2.4 神经网络方法  42
  5.3 SOM 神经网络在流形学习中的应用  42-46
第6章 总结与展望  46-48
参考文献  48-51
致谢  51-52
攻读硕士学位期间发表的论文及参与的项目  52

相似论文

  1. 基于流形学习的高维流场数据分类研究,V231.3
  2. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  3. 唇读中的特征提取、选择与融合,TP391.41
  4. 基于流形学习的数据降维技术研究,TP311.13
  5. 微粒群算法的改进与应用研究,TP18
  6. 基于学习的视频超分辨率重建算法研究及实现,TP391.41
  7. 面向股票价格指数多步预测的混合模型研究,F224
  8. 交流传动系统的滑模控制算法研究,TP273
  9. 基于脑电的情感识别,TP391.4
  10. 人体运动时间序列可视化及多索引方法研究,TP391.41
  11. 基于多基点定位的ISOMAP算法改进研究,TP181
  12. 暴雨中冰雹的识别,P429
  13. 物流配送选址与路径优化模型及其微粒群算法研究,F224
  14. 基于开通、关断角度优化的开关磁阻电机控制策略的研究,TM352
  15. 基于一类复杂工业过程的稳态优化控制研究,TP183
  16. 微粒群算法理论研究及其在PID参数优化中的应用,TP13
  17. 流形学习中的增量谱嵌入方法,TP181
  18. 长期演进系统下入侵检测关键技术的研究,TP393.08
  19. 非线性系统的规律维及其可视化方法初探,TP391.41
  20. 基于流形学习的人脸表情识别研究,TP391.41
  21. 人脸识别中图像描述方法的研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 人工神经网络与计算
© 2012 www.xueweilunwen.com