您现在的位置： 周口新闻网—论文频道 >> 计算机论文 >> 计算机网络 >> 正文
一种基于PSO的BP神经网络训练方法
来源：热点论文 [ 2009-3-20 18:48:31 ] 作者：郭聪莉 朱莉… 编辑：论文
间的随机数。 8) end for 9) for i=1:1:m 10) 按式（1）计算 ；按式（2）计算 ； 11) end for 12) end while 13) 以所得权值阈值为初始值用BP算法对网络进行训练 上述流程中，1）到12）用标准PSO算法对权值和阈值进行训练，13）对PSO输出的权值和阈值作为初始值用BP算法训练网络（MATLAB中有集成的训练函数）。另外，，其中 是第I个粒子的位置；V= ,其中 是第I个粒子的速度； 是m个粒子迄今搜索到的最优适应值，其对应的粒子位置矩阵是p= ; 是粒子群迄今搜索到的最优适应值，对应的最优粒子位置是 ，粒子数m选定为30个。 3 结果分析 本实例中随机选取机输入和输出矩阵，如：p=[0 0 0 0 0;1 0 0 0 1;0 1 0 0 1; 0 0 1 0 0; 0 0 0 1 0];t=[0 0 0 0; 1 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1]。由于P是五行的矩阵，所以网络输入层的神经元个数为：5个，T为五行矩阵，故输出层神经元个数为：5个 ，隐含层神经元个数为：6个。 首先观察一下PSO算法中的适应值（fitness）的变化过程，图1中，实线表示适应值的平均值，虚线表示是最优适应值。从图中可以看出适应值迅速的选择过程。 图1 fitness的变化过程曲线 转贴于 热点论文网 http://www.lwhot.cn 图2为用PSO—BP算法和BP算法在训练误差精度为0.002的情况下的误差演化曲线：（a）为PSO—BP算法训练误差演化曲线，所用时间是20.422000s。（b）为常用BP算法训练误差演化曲线，对权值的训练采用的是梯度下降法，所用时间是27.172000s。从图中可以看到：PSO—BP算法的迭代次数远远小于BP算法，并且训练时间也缩短了。
(a)
(b) 图2
为了充分说明实验结果，笔者做了多次反复实验，实验结果如下表：在训练误差精度为0.002的情况下，十次试验中PSO—BP算法的平均迭代次数远小于BP算法，收敛时间较接近。 算法 次数 BP算法 PSO—BP算法 迭代次数 收敛时间 迭代次数 收敛时间 1 1587 35.797000 717 19.547000 2 1051 23.172000 794 33.390000 3 917 18.281000 683 27.813000 4 809 16.282000 879 33.265000 5 1323 33.125000 1097 30.218000 6 2146 43.766000 931 26.046000 7 1161 23.641000 568 17.391000 8 530 14.687000 736 25.782000 9 1415 26.750000 869 27.625000 10 1227 24.172000 953 29.422000 平均值 1216.6 25.967300 822.7 27.04990
上一页 [1] [2] [3] 下一页
