基于改进的粒子群优化算法的小波神经网络

《基于改进的粒子群优化算法的小波神经网络》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、湖北大学硕士学位论文基于改进的粒子群优化算法的小波神经网络姓名：张冉申请学位级别：硕士专业：系统分析与集成指导教师：刘斌20090501摘要在传统小波神经网络中，一般采用的网络训练方法是梯度下降法，这是一种局部搜索算法，容易使网络陷入局部极值，所得的网络训练误差较大。基本粒子群优化小波神经网络避免了梯度下降法中要求激活函数可微、对函数求导的过程计算，但是迭代公式依然复杂，计算量依然比较大。本论文将一种改进的粒子群优化算法运用于小波神经网络，以更小的种群数和进化世代数优化了小波神经网络中的各个参数，并将该方法应用于曲线拟

2、合仿真实验。实验表明，该算法能减少迭代次数、提高收敛精度，是小波神经网络的有效训练算法，获得了非常好的优化效果。本文一共包括六章。第一章主要介绍目前国内外小波神经网络的发展和研究现状，并阐述本文所做研究的背景、主要工作和创新。第二章主要介绍了小波神经网络的基本原理及几种常见的训练算法。第三章介绍了基本粒子群优化算法以及本文用到的改进了的粒子群优化算法。第四章主要阐述基于改进的粒子群优化算法的小波神经网络的设计思想及训练算法。第五章中，笔者对所设计的改进的粒子群优化小波神经网络进行曲线拟合实验，并将实验结果与基本粒子群优

3、化小波神经网络的实验结果进行对比分析。最后，在第六章的总结与展望中，对研究中存在的不足之处，提出了可能的解决方案，并展望了进一步的研究方向。关键词：小波神经网络；改进的粒子群优化算法；网络训练；曲线拟合AbstractInthetraditionalwaveletneuralnetwork，gradientdescentmethodwhichisalocalsearchalgorithmeasilyrelapsingintolocalextremum，iscommonlyusedintrainingthenetwork

4、，thusthereisapparantdeviationinthetrainednetwork．Thebasicparticleswarlnoptimization(PSO)waveletneuralnetworkhasavoidedtherequirements，suchastheactivationfunctionshouldbedifferentialandthecalculationoftheprocessofthederivationfunctionWasneeded，buttheiterativeform

5、ulaisstillcomplicatedandthecalculationofthevolumeisstillrelativelylarge．Inthisthesis，annewwaveletneuralnetworkcombinedwithimprovedPSOalgorithmWasproposed．Thismethodoptimizedtheparametersinthewaveletneuralnetworkwithsmallerpopulationsizeandevolutiongenerations．Th

6、enthisalgorithmWasappliedtoneuralnetwork’Straininginsimulatingcurvefitness．Theexperimentalresultindicatesthatthisalgorithmcanreducethetimesoftrainingandimprovetheconvergenceprecision，andisaneffectivetrainingalgorithmtoWNN，aswellasCanobtainthesplendiferousoptimiz

7、ationresults．Itincludessixchaptersinthisthesis．Thefirstchaptermainlyintroducesthedevelopmentofwaveletneuralnetwork，wegiveanexpatiationaboutthebackground，themainworkandtheinnovationofthisthesis．Thesecondchapterintroducesthebasicprinciplesofwaveletneuralnetworkand

8、severalcommontrainingalgorithms．Inthethirdchapter,weintroducethebasicPSOalgorithm，aswellastheimprovedPSOalgorithmusedinthisthesis．Inthefourthchapter,wemainlydiscussth