基于蚁群算法整型权值神经网络地研究与实现

《基于蚁群算法整型权值神经网络地研究与实现》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、杭州电子科技大学硕士学位论文基于蚁群算法的整型权值神经网络的研究与实现研究生：卢金鑫指导教师：包健教授2012年12月DissertationSubmittedtoHangzhouDianziUniversityfortheDegreeofMasterResearchandImplementationofIntegerWeightsNeuralNetworkbasedonAntColonyAlgorithmCandidate:LuJinxinSupervisor:Prof.BaoJianDecember,2012杭州电子

2、科技大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。申请学位论文与资料若有不实之处，本人承担一切相关责任。论文作者签名：日期：年月日学位论文使用授权说明本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校

3、后，发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。（保密论文在解密后遵守此规定）论文作者签名：日期：年月日指导教师签名：日期：年月日杭州电子科技大学硕士学位论文摘要本文的研究背景主要是基于人工神经网络在工业控制中的广泛应用。工业控制普遍采用嵌入式系统及其技术，很多使用专用的、定制的、软硬件结构精简的嵌入式控制系统。但是这些嵌入式专用控制系统对存储容量、实时性、快速响应、功耗及价格

4、有着很高的要求。这些要求促使在开发嵌入式软、硬件时需要时时考虑到算法的性能、运算速度、存储容量等实际问题。而且神经网络在运算过程中需要作大量的乘法、加法（包括减法）、除法和指数（若使用非线性激励函数）运算，特别是除法和指数运算消耗的指令周期远远大于乘法和加法，浮点型的运算时间远远大于整型。因此直接将传统的神经网络应用于嵌入式专用控制系统，无法满足系统在实时性、存储上的要求，故需要改进传统的人工神经网络。本文主要研究成果如下：通过对整型权值神经网络学习能力的分析，本文提出了一种训练整型权值的神经网络的学习算法。采用整型权值

5、为神经网络在嵌入式领域的应用提供了一种可行的方法，因为相比浮点型权值，整型权值不仅可以减少系统的存储容量，还可以有更高的执行效率。但是如果权值精度下降导致网络无法收敛或者降低网络的泛化性能，将无法解决问题，针对这一情况，本文首先分析了整型权值神经网络的学习能力，即通过适当地增加隐层神经元个数和扩大权值范围改善网络的收敛性能和泛化性能。在这基础上，本文对整型权值神经网络的学习算法，网络结构的设计、样本的选择，以及激活函数的选择和优化做了深入地研究。针对传统神经网络算法无法训练整型权值神经网络的问题，本文提出了基于蚁群算法的

6、整型权值神经网络学习算法。蚁群算法具有自组织、正反馈机制、分布式并行计算、启发性收敛等特点。从算法执行过程看，蚁群算法具有在离散域全局的搜索能力。又针对传统蚁群算法容易陷入停滞的问题，本文使用了解决停滞问题较好的最大最小蚂蚁系统，并根据蚂蚁搜索的实际情况，提出了使用停滞计数器作为判断，增加额外的信息素方法，以增强蚂蚁的开发能力。为了解决蚂蚁搜索神经网络权值过程中碰到的权值维数过多的问题，本文使用神经网络重新描述了蚁群算法，并设计了全新的禁忌表和信息素浓度表，降低了程序设计的维度。最后采用神经网络逼近sin(x)函数实验验

7、证了蚁群算法训练整型权值神经网络的有效性。最后，将本文提出的算法应用于嵌入式专用控制系统——纱线运动图片检测系统。首先分析了纱线检测的内容，确定检测的目标是对纱线的纱疵进行检测。针对纱疵形状小、灰度平滑变化、处理难的特点，本文提出了基于时空相关性的检测思想，利用纱线图像连续帧差分方法，并对纱线图像作了必要的预处理，以突显纱线的纱疵。将特征图的每一行像素作为神经网络的训练样本，通过本文提出的神经网络学习算I杭州电子科技大学硕士学位论文法，设计并训练了神经网络。最后将神经网络用于纱线运动图像检测。实验数据表明本文提出的算法具

8、有较高的可靠性和稳定性，计算速度达到了嵌入式系统实时性的要求。关键词：整型权值神经网络，蚁群算法，嵌入式系统，运动图像，连续帧处理II杭州电子科技大学硕士学位论文ABSTRACTThebackgroundofthisresearchisbasedontheartificialneuralnetworkWhichisw