具有自我约束能力的粒子群神经网络均衡算法-论文.pdf

《具有自我约束能力的粒子群神经网络均衡算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第5卷第3期智能计算机与应用V01．5No．32015年6月INTELLIGENTCOMPUTERANDAPPLICATIONSJun．2015具有自我约束能力的粒子群神经网络均衡算法赵慧青(中山大学新华学院信息科学系，广州510520)摘要：针对现有的神经网络存在网络误差较大这一问题，本文提出了一种具有自我约束能力的粒子群神经网络均衡算法；该算法根据粒子群的信息共享与全局搜索特性，来优化神经网络的寻优效果；其中为了保持较好的精度，算法在粒子的速度进行完善的同时对网络进行了适当的约束。实验结果表明，其实验结果与预期效果基本

2、相符，能够在不同的信道下，保持较好的精度。关键词：神经网络；粒子群；信息共享；全局搜索；寻优中图分类号：TP393文献标识码：A文章编号：2095—2163(2015)03—0040—03Self-—disciplineNeuralNetworkEqualizationAlgorithmbasedontheParticleSwarmZHAoHuiqing(DepartmentofInformationScience，XinhuaCollegeofSunYat—senUniversity，Guangzhou510520，Ch

3、ina)Abstract：Existingneuralnetworkhasalargenetworkerror．Inresponsetothisproblem，thepaperputsforwardself—dis·ciplineneuralnetworkequalizationalgorithmbasedontheparticleswarm．Theefectonneuralnetworkoptimizationisreal-izedaccordingtotheinformationsharingandglobalsear

4、chfeatureofparticleswarm．Andinordertomaintaingoodaccura-cy，appropriatenetworkconstraintsarealsoimposed．Theresultsshowthattheexperimentresultsarebasicallyconsistentwiththeexpectedresults．Itcanmaintaingoodaccuracyatdiferentchanne1．Keywords：NeuralNetwork；ParticleSwar

5、m；InformationSharing；GlobalSearch；OptimizationO引言为三层，即输入层、隐含层以及输出层。从20世纪80年代中期以来，神经网络以其良好的自组假设#为输入层到隐层的连接权重，为隐层到输出层织与自学习的独特优势，现已广泛地应用于通信领域。的连接权重，其中i=1，2，⋯，m，=1，2，⋯，。其数据传输但通过研究现有的神经网络则不难发现，该系统在实际运用原理与结构图如图1所示。中过度依赖于训练算法与初始权值，从而导致算法陷入了局部的最优化；为此，人们提出了许多解决方案一。其中，基于粒子群

6、优化算法的神经网络算法尤为突出；算法通过结合群体中粒子间的合作与竞争关系，来促使网络群体的智能寻优；这在很大程度上解决了算法的局部最优化问题j。但在实际的运用过程中，又进一步发现，算法依然存在需要改进的地方，即网络的适用性较小且精度不高等问题。为此，本文提出了一种具有自我约束能力的粒子群神经图1神经网络结构图网络均衡算法。算法依据神经网络与粒子群算法的特Fig．1Neuralnetworkstructurediagram点，将神经网络算法与粒子群算法有机地结合在一起，并在图1的神经网络中，隐层函数如式(1)所示：通过两者间

7、的互补，来提高网络的整体效率。研究中为了避uj(n)：∑w#y(n一1)免算法出现局部最优化问题，本文对网络中的搜索粒子进行了速度的约束；而后，为保证算法的稳定性与精确性，又对网，『(n)=咖[uf(n)](1)络的搜索进行了约束，由此而保障每一网络路径的有效畅输出层函数如式(2)所示：k通。经由仿真实验，该算法能够获得相比其他算法更高的精vj(n)=∑wj(n)li(n)度，且其实际应用性也更强。』I岔(n)=(n)](2)1神经网络其中，(n)为隐层的输人，而(n)为隐层的输出；(n)神经网络通过模仿动物的行为特征，进

8、而实现分布式并为输出层的输人，而(n)为输出层的输出。f(·)表示输出行信息处理；这一方法有效地解决了网络的信息传输问题，层的输入与输出间的传递函数，而咖．(·)表示隐层的输入通过依靠网络系统的复杂程度与各节点的连通性，实现了大信号进行的小波变换。量数据的传输问题。其中，神经网络的结构大致可以分收稿日期