资源描述：
《为 输入层神 经元i.PDF》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、粒子群神经网络硕士论文3.5.1基于拉子群算法的神经网络学习算法PSO作为一种新兴的进化算法，其收敛速度快、鲁棒性能好、全局搜索能力强，且不需要借助问题本身的特征信息。本文将PSO与神经网络结合在一起，用PSO算法来优化神经网络的连接权值[155--%]，可以较好地克服神经网络容易陷入局部极小的问题，不仅能发挥神经网络的泛化能力，而且能够提高神经网络的收敛速度和学习能力。假设对一个有M个输入节点，Q个隐含节点和L个输出节点的神经网络如下图所示，WY为输入层神经元i与隐含层神经元i之间的连接权值:哄为隐含层神经元
2、i的阀值:Wjk为输出层神经元k与隐含层神经元1之间的连接权值;风为输出层神经元k的阀值。M个输入节点;Qt隐含节点;计输出节点图3.5.1神经网络结构假定其中的某一个样本P的输刀输出模式对{Xp}和{耳}对网络进行训练，隐含层的第i个神经元在样本P作用下的输入为:net,*=Y-0;-B,=艺Wuxi一B,(i=1,2,...,q)(3.5.1)可和讨分别为输入节点I在样本P作用时的输入和输出，对输入节点而言两者相当;Wv为输入层神经元I与隐含层神经元i之间的连接权值;只为隐含层神经元i的阀值;M为输入层的节
3、点数。则隐含层第i个神经元的输出为:伴=g(ne,0)(i=1.2，二，q)，式中g(x)为激活函数。对于一个仅有三层的神经网络来说，隐含层的输出将作为输出层的输入，故隐含层第i个神经元的输出Of将通过权系数向前传播到输出层第k个神经元并作为它的输入之一，而输出层第k个神经元的总输入为:net,=艺W=O,p一O,(k=1,2,..,L)(3.5.2)式中、为隐含层神经元i与输出层神经元k之间的连接权值;风为输出层神经元k的阀值:q为输出层的节点数.南京理工大学硕士学位论文基于粒子群神经网络的移动机器人门牌号码
4、识别技术研究则输出层第k个神经元的输出为:哪=g(net,)(k=1,2，二，L)对每一个样本，的输入模式对的二次型误差函数为:，，=粤女(tf一-OPk)，则系统/77对所有N个训练样本的总误差函数为:1-J=Ew=2EY-(tk一Ok0)(3.5.3)PIk=l式中，N为模式样本对数目;L为网络输出节点数。基于粒子群神经网络的学习算法实际上就是一个优化问题。优化问题[571就是通常所说的最优化问题，但在实际中最优解通常是难以求得，或者在某些情况下根本不存在。为了更加符合实际情况，本文中将把这类问题统一称作优
5、化问题。优化问题是指在给定指标和元件、参数的允许取值范围条件下，确定一组独立的设计参数，使系统达到最佳性能。系统性能的优劣通常用一个关于设计参数的函数来描述，该函数称为“目标函数”;待定的设计参数称为“优化变量”:参数范围和未包含在目标函数中的一些设计指标称之为构成优化变量的“约束条件”。不失一般性，假设目标函数为f(X)，其中X=[x,,s2,x,,...,nlr为优化变量，寻求系统的最佳性能，在数学上通常是指求取最小化目标函数~f(X)或者是最大化目标函数MRXf(X)，而最大化目标函数可以通过求取min[
6、-f(X)l来实现。可见，所有优化问题都可以归结为求取min了(X)。因此，优化问题的数学模型可以描述为:了f(X盯(X)1，2(3.5.4){况(X)7、1:确定神经网络的结构一输入层有M个节点，隐含层有Q个节点和输出层有L个节点;‘即2:根据网络的结构，把网络的权值和阀值确定粒子的维度，即:X=[x'"r'9"wtk,Bk」，其中J=1,2，二，。，i=1,2,.一;，“=1,2,.一‘:Step3:初始化粒子群算法的参数，包括:种群大小Pop-Size.粒子活动范围Region-Size、惯性权重w、加速常数C,和q、最大速度V、最大迭代次数Max_Gen粒子群神经网络硕士论文和精度要求‘、粒子的初始位置Init_Pos与初始速度Init_Vec。Step4
8、:计算种群中每一个粒子的适应值f(X)，确定每个当前粒子的最好位置pbest和种群当前全局最优位置gbest;Step5:计算神经网络的输出均方误差J;Step6:根据公式(3.4.1)和(3.4.2)更新种群中每一个粒子的速度V,与位置X,;Step7:判断V,是否大于V_，X‘是否超出Region-Size;Step8:更新粒子当前最好位置pbest和种群当前全局最优位置gbest
